LSTM+Transformer混合架构在时间序列预测领域属于刚需组合。Transformer抓全局依赖，LSTM抠局部动态，尤其适合超长时序、资源受限部署等场景！

因此到了2025年，这方向依然是学术界热点，且根据近几年顶会动态，其中稿率相当稳，推荐各位关注。目前，这方向发文的关键还是“差异化创新”，如果想快速发出成果，那建议大家往记忆增强、稀疏化与蒸馏、多模态时序融合这些点做突破。

另外提醒一下别在“基础结构”上浪费时间，多关注垂直场景，比如电网负荷预测，这些领域数据刚开放，缺SOTA模型，机会多。本文整理了10篇LSTM+Transformer做时序预测前沿论文，方便需要参考的同学下载，帮忙节省时间。

扫码添加小享，回复“融合时序”  

免费获取全部论文+开源代码

Time series prediction model using LSTM‑Transformer neural network for mine water inflow

方法：论文提出融合LSTM与Transformer的时间序列预测模型，用于矿山突水涌水量预测。通过LSTM提取时序特征，结合Transformer的注意力机制增强全局信息捕捉，经超参数调优提升预测精度，实测数据验证其优于传统方法。

创新点：

• 提出LSTM-Transformer混合模型，结合长期依赖捕捉和自注意力机制。
• 使用随机搜索和贝叶斯优化调整超参数，提升预测精度和泛化能力。
• 在宝泰龙矿数据上验证，模型预测效果优于传统方法。

Deep Analysis of Time Series Data for Smart Grid Startup Strategies: A Transformer-LSTM-PSO Model Approach

方法：论文提出了一种Transformer-LSTM-PSO模型，用于智能电网启动策略的时间序列预测。该模型结合了Transformer的自注意力机制、LSTM的短期动态建模能力以及PSO算法的参数优化功能，显著提升了预测精度和效率。

创新点：

• 提出Transformer-LSTM-PSO混合模型，融合自注意力机制、时序建模与参数优化技术。
• 在多电力数据集测试中，模型预测误差（RMSE/MAE）显著优于基准方法，精度大幅提升。
• 实验表明模型能高效处理复杂电网数据，为智能电网启动策略提供新技术支持。

Learning-based NLOS Detection and Uncertainty Prediction of GNSS Observations with Transformer-Enhanced LSTM Network

方法：论文提出了一种Transformer增强的LSTM网络，用于检测GNSS中的NLOS信号并预测伪距误差。通过结合Transformer的自注意力机制和LSTM的时间序列建模能力，该方法显著提升了车辆定位的准确性和稳定性。

创新点：

• 提出Transformer增强的LSTM网络，用于检测GNSS中的NLOS信号和预测伪距误差。
• 通过引入Transformer的自注意力机制，提升模型对时空信息的捕捉能力，增强泛化性能。
• 实验证明该方法在NLOS检测和伪距误差预测任务中优于传统方法，有效避免轨迹发散，提高车辆定位的准确性。

SwinLSTM: Improving Spatiotemporal Prediction Accuracy using Swin Transformer and LSTM

方法：论文提出了一种名为SwinLSTM的新方法，将Swin Transformer的自注意力机制与LSTM的时间序列建模能力相结合，用于时空预测任务。通过实验验证，SwinLSTM在多个数据集上表现出色，显著提升了预测精度，优于传统方法。

创新点：

• 提出SwinLSTM新方法，结合Swin Transformer块和简化版LSTM，用于时空预测任务。
• 将CNN中的卷积结构替换为自注意力机制，更高效地捕捉全局空间依赖关系。
• 在多个数据集上验证，SwinLSTM显著优于传统方法，特别是在预测精度上。