2025年了，为什么LSTM改进仍然值得投入？因为LSTM虽然“老”，但它那种稳定的记忆能力和可解释性，Transformer依然难以替代。在稳健性要求高的场景（工业、医疗），LSTM的价值不降反升！

这也意味着，改进LSTM仍将是学术界与工业界重要的研究方向！而且因为是“一把老刀”，可参考的思路丰富，尤其适合想稳中求进的论文er！

目前，LSTM的创新除了本身的变体，一些关于它的结合思路也可以作为论文创新点，比如+Transformer、+注意力机制、+CNN等。这类结合通常实现简单，很好涨点。

为方便论文er找参考资料，我根据以上思路整理了122篇LSTM创新研究，包含相应可复现代码，希望可以给各位的论文添砖加瓦。

扫码添加小享，回复“长短改进”

免费获取全部论文+开源代码

LSTM+卡尔曼滤波

An end-cloud collaboration approach for state-of health estimation of lithium-ion batteries based on bi-LSTM with collaboration of multi-feature and attention mechanism

方法：本文提出了一种端云协作的锂离子电池健康状态估计方法，使用云端的Bi-LSTM深度学习模型进行高精度分析，并结合端侧的双指数经验模型实现快速实时评估。通过扩展卡尔曼滤波器融合两端结果，平衡了精度与实时性。

创新点：

  • 提出端云协作的SOH估计方法，云端部署Bi-LSTM深度学习模型，端侧部署双指数经验模型，通过EKF融合结果，兼顾精度与实时性。
  • 在云端模型中引入注意力机制，增强对重要特征和序列的关注，进一步提升模型的估计精度。
  • 基于多特征分析提取与电池退化强相关的特征，确保模型输入的相关性和鲁棒性。

LSTM+PINN

Physics-Informed LSTM-Based Delay Compensation Framework for Teleoperated UGVs

方法：论文提出了一种基于物理信息LSTM（PiLSTM）的延迟补偿框架，用于低速无人地面车辆的遥操作。该框架通过LSTM网络和物理约束来预测运动命令和力反馈信号，有效补偿网络延迟，提升遥操作的性能和透明度。

创新点：

  • 提出了一种基于物理信息LSTM的新型预测框架，用于低速无人地面车辆的双边遥操作，有效补偿网络延迟。
  • 将LSTM网络与物理约束相结合，增强模型对复杂动态系统的泛化能力，提升延迟补偿性能。
  • 实验验证PiLSTM在闭环场景下对真实延迟的补偿效果，提高遥操作性能和透明度。

扫码添加小享，回复“长短改进”

免费获取全部论文+开源代码

LSTM+Transformer

Temporal Fusion Transformers for Streamflow Prediction: Value of Combining Attention with Recurrence

方法：论文提出了一种结合LSTM递归特性和Transformer注意力机制的TFT模型，用于径流预测。通过在2610个全球流域上测试，TFT的预测性能优于LSTM和Transformer，能够更好地捕捉长期依赖关系，并提供模型可解释性。

创新点：

  • 提出了一种结合LSTM和Transformer的TFT模型，用于径流预测。
  • 在全球2610个流域上验证了TFT的性能，结果表明其预测精度优于传统的LSTM和Transformer模型。
  • TFT通过变量选择网络和注意力机制提供模型可解释性，能够更好地捕捉长期依赖关系。

LSTM+CNN

Chess Rating Estimation from Moves and Clock Times Using a CNN-LSTM

方法：论文构建了RatingNet模型，该模型通过CNN提取棋盘位置特征，与时钟时间数据结合后输入双向LSTM，无需手工特征，在每步棋后预测玩家等级分，测试MAE为182分，时钟时间特征提升了性能。

创新点：

  • 无手工特征，仅用走步序列和时钟时间数据估计棋手等级分，开创全新思路。
  • 每步棋后均输出等级分预测，突破传统局限，动态反映实时水平。
  • 验证剩余时钟时间数据提升精度，快棋中降低误差，具实用价值。

扫码添加小享，回复“长短改进”

免费获取全部论文+开源代码