1、Integrating LSTMs and GNNs for COVID-19 Forecasting
Nathan Sesti, Juan Jose Garau-Luis, Edward Crawley, Bruce Cameron
将 COVID-19 的流传与图神经网络（GNN）的联合，使得最近几项钻研发现了能够更好地预测大风行的形式。许多这样的模型还包含长短期记忆（LSTM），这是工夫序列预测的常见工具。通过在 LSTM 的门内施行 GNN 并利用空间信息来进一步钻研这两种办法的集成。并且引入了跳过连贯，该连贯对于独特捕捉数据中的空间和工夫模式也被证实了十分的重要。论文验证了过来 472 天的 37 个欧洲国家数据的每日 COVID-19 新案例预测模型，并且与基于均匀相对缩放误差（MASE）的最先进的图工夫序列模型相比，体现出卓越的性能。
https://arxiv.org/pdf/2202.08…
2、Hydroelectric Generation Forecasting with Long Short Term Memory (LSTM) Based Deep Learning Model for Turkey
Author : Mehmet Bulut
水力发电是一种可再生能源，基于水库的液压发电厂的生产依据不同的参数而变动。因而水力生产的预计在发电打算方面变得重要。在本文中，通过基于 LSTM 网络深度学习模型进行了土耳其每月水电生产的预计。设计的深度学习模型基于多年的水力生产工夫序列和将来的生产打算。通过应用实在的生产数据和不同的 LSTM 深度学习模型，查看了它们对明年液压发电的每月预测的性能。结果表明，将基于多年理论生产数据的工夫序列与深度学习模型联合起来进行长期预测是胜利的。在这项钻研中能够看出 100 层 LSTM 模型，其中 120 个月（10 年）依据 RMSE 和 MAPE 值应用了 120 个月（10 年）的水力发电工夫数据，就预计准确性而言是最高模型。在该模型中应用了 100 层 LSTM 模型，144 个月（12 年）的工夫数据，每年 29,689 的水电生成数据，每月散布的工夫为 29,689。依据钻研的后果，倡议应用 LSTM 创立可承受的水力预测模型，涵盖至多 120 个月的生产工夫数据
https://arxiv.org/pdf/2109.09…
3、Long Short-Term Memory Neural Network for Financial Time Series(arXiv)
Author : Carmina Fjellström
绩效预测是经济学和金融中的古老问题。机器学习和神经网络的倒退引出了非线性工夫序列模型，为传统的分析方法提供了古代和有前途的替代品。咱们提出了一个独立的和并行的长短时记忆 (LSTM) 神经网络的汇合，用于股票价格静止的预测。lstm 曾经被证实特地适宜于工夫序列数据，因为它们可能整合过来的信息，而神经网络集成曾经被发现能够缩小后果的可变性并进步泛化。模型应用了一个基于收益中值的二元分类问题，汇合的预测依赖于一个阈值，该阈值是对后果达成统一所需的最小 lstm 数量。该模型被利用于规模较小、效率较低的斯德哥尔摩 OMX30 指数的成分股，而不是文献中常见的道琼斯指数和规范普尔 500 指数等其余次要市场指数。通过一个简略的交易策略，与随机抉择的投资组合和蕴含指数中所有股票的投资组合进行比拟，能够发现 LSTM 汇合产生的投资组合提供了更好的均匀每日回报和更高的累积回报。此外，LSTM 组合也体现出更小的波动性，导致更高的危险回报比
https://arxiv.org/pdf/2201.08…
4、Demand Forecasting in Smart Grid Using Long Short-Term Memory(arXiv)
Koushik Roy, Abtahi Ishmam, Kazi Abu Taher
随着智能计量电网的衰亡，电力行业的需求预测已成为古代需要治理和响应零碎的重要组成部分。长短时记忆 (Long – term Memory, LSTM) 在预测工夫序列数据方面体现出良好的成果，并可利用于智能电网的电力需要。本文提出了一种基于神经网络构造 LSTM 的电力需求预测模型。该模型应用智能电网四年来每小时的能源和电力应用数据进行训练。经过训练和预测后，将模型的精度与传统的统计工夫序列剖析算法 (如 Auto-Regressive/AR) 进行比拟。LSTM 模型的均匀相对百分位误差为 1.22，是所有模型中最小的。钻研结果表明，将神经网络应用于电力需求预测能够显著升高预测误差。因而，LSTM 的利用能够使需要响应零碎更加高效。
https://arxiv.org/pdf/2107.13…
5、Forecasting Commodity Prices Using Long Short-Term Memory Neural Networks(arXiv)
Racine Ly, Fousseini Traore, Khadim Dia
本文利用 RNN 办法对棉花和石油价格进行预测。论文展现了这些来自机器学习的新工具，特地是长 - 短期记忆 (LSTM) 模型是如何补充传统办法的。论文的结果表明，机器学习办法拟合数据相当好，但在样本外预测方面并不优于经典的零碎办法，例如如 ARIMA 模型。然而将这两种模型的预测均匀起来，会比任何一种办法失去更好的后果。与 ARIMA 和 LSTM 相比，棉花的均匀预测均方根误差 (RMSE) 别离升高了 0.21 和 21.49%。就石油而言，预测平均法在 RMSE 方面没有提供改善。论文的倡议是应用预测平均法，并将剖析扩大到宽泛的商品价格范畴。
https://arxiv.org/pdf/2101.03…
作者：Monodeep
https://www.overfit.cn/post/9c2e2c985284443c9f7f070ae5af0a9c