为了进一步提高时序预测的性能，研究者们组合了CNN和LSTM的特点，提出了CNN-LSTM混合架构。
这种架构因为独特的结构设计，能同时处理时空数据、提取丰富的特征、并有效解决过拟合问题，实现对时间序列数据的高效、准确预测，远超传统方法。
因此，它已经成为我们应对时序预测任务离不开的模型，有关CNN-LSTM的研究也成了当下热门主题之一，高质量论文频发。
为了方便大家了解CNN-LSTM的最新进展与创新思路，我这边整理了8篇今年最新的相关论文，希望可以给各位的论文添砖加瓦。
论文原文合集需要的同学看文末
Harnessing a Hybrid CNN-LSTM Model for Portfolio Performance: A Case Study on Stock Selection and Optimization
方法：论文提出了一种名为CNN-LSTM+MV的金融投资决策方法。该方法通过将卷积神经网络（CNN）和长短期记忆网络（LSTM）的优势相结合，实现了对股票的选择预测和通过均值方差（MV）模型进行优化组合形成的综合框架。
创新点：
-
引入了一种称为CNN-LSTM+MV的方法，结合了卷积神经网络（CNN）和长短期记忆网络（LSTM）的优点，用于股票选择和最优组合构建。
-
提出了一种综合性能评估的深度学习模型，该模型在预测金融时间序列方面优于单一模型。
-
利用MV模型和预测值实现了有利的回报、风险和风险回报指标，提高了预测准确性和组合绩效。
Analyzing Financial Market Trends in Cryptocurrency and Stock Prices Using CNN-LSTM Models
方法：论文介绍了CNN-LSTM模型的结构和功能，以及如何利用这种深度学习模型来处理时间序列数据，捕捉其中的长期依赖关系，并进行有效的价格预测。通过具体的实证分析，论证了使用深度学习模型CNN-LSTM预测比特币价格的有效性，并提出了未来研究和优化策略的方向。
创新点：
-
引入更多的变量。研究表明，市场状况和宏观金融状况等因素也值得考虑，可以通过增加这些变量来提高预测准确性。
-
关注特征处理和权重分配。通过有效的方法对不同数据的权重进行缩放，可以有效提高预测准确性。同时，在混合模型中，通过采用适当的权重分配，可以充分利用单个模型的优势。
Multi‑step ahead forecasting of electrical conductivity in rivers by using a hybrid Convolutional Neural Network‑Long Short‑Term Memory (CNN‑LSTM) model enhanced by Boruta‑XGBoost feature selection algorithm
方法：论文使用现代深度学习技术开发了一个基于CNN-LSTM框架的预测模型，用于预测河流中的电导率（EC）。通过与传统的机器学习方法（如多层感知器神经网络MLP、K最近邻KNN和极端梯度提升XGBoost）进行比较，展示了CNN-LSTM模型在预测澳大利亚两条河流（Albert River和Barratta Creek）的电导率方面的优越性能。
创新点：
-
提出了一种新颖的混合Boruta-XGB-CNN-LSTM模型，用于有效预测河流的EC值。
-
该模型在训练期间和测试期间的预测性能优于其他比较模型，具有更高的准确性和较低的误差。
-
通过优化输入特征和利用CNN-LSTM架构，提高了水质预测模型的性能和适用性。
Deep Learning Approaches for Water Stress Forecasting in Arboriculture Using Time Series of Remote Sensing Images: Comparative Study between ConvLSTM and CNN-LSTM Models
方法：论文使用深度学习（DL）模型进行时间序列预测，特别是在作物水分胁迫预测方面。文中比较了两种深度学习模型——ConvLSTM和CNN-LSTM——在利用遥感数据进行水分胁迫预测方面的性能。
创新点：
-
引入了ConvLSTM和CNN-LSTM两种深度学习模型，用于农作物水分胁迫的时空预测。
-
提出了一种数据预处理的方法，将遥感图像转换为数字矩阵，并将数据集划分为训练集和测试集。
-
对ConvLSTM和CNN-LSTM两种模型进行了详细的性能比较，发现CNN-LSTM在长序列情况下具有更高的准确性。
关注下方《学姐带你玩AI》🚀🚀🚀
回复“混合时序”获取全部论文
码字不易，欢迎大家点赞评论收藏
