贝叶斯优化与LSTM的融合是时序预测、超参数自动寻优领域的热门技术路径，兼具建模精度与调优效率，创新落地空间广阔。本文整理了14篇该方向的前沿高质量论文，覆盖ICML、NeurIPS、IEEE TNNLS等顶会顶刊成果。
这些创新思路逻辑清晰、复现性强，可直接用于搭建研究基线、迭代核心算法或是拓展实验场景，想快速出成果的可以下方领取论文及代码（部分）。
长按识别下方二维码，回复【blstm】
无偿领全部论文合集及项目代码
Improving Urban Flood Prediction using LSTM-DeepLabv3+ and Bayesian Optimization with Spatiotemporal feature fusion
基于LSTM-DeepLabv3+与贝叶斯优化时空特征融合的城市洪水预测
文章内容
针对传统水动力洪水预测计算效率低、单一深度学习模型难以兼顾时空特征的问题，提出CNN-RNN混合时空特征融合预测框架。采用贝叶斯优化从14项潜在驱动因子中筛选出DEM、FLIMP等7项核心输入变量，对比4种CNN与3种RNN的12种组合方案，确定最优模型为LSTM-DeepLabv3+。该模型在多降雨重现期下表现优异，MAE、RMSE、NSE分别达0.007、0.025、0.973，推理时间仅1.158秒，较传统模型大幅提升。
Forecasting Oncology Demand Trends with Boosting-Based Bayesian Conjugate Models
基于提升式贝叶斯共轭模型的肿瘤诊疗需求趋势预测
文章内容
针对肿瘤诊疗需求时序数据非平稳、结构变化多、传统模型趋势捕捉能力弱的问题，提出残差提升的贝叶斯共轭预测框架。以Gamma-Poisson共轭建模周度需求计数，结合Gamma-Log-Normal结构对预测残差做对数变换修正，通过闭式序贯更新实现动态自适应。在巴西真实肿瘤诊疗数据集上验证，该模型趋势方向预测准确率较次优方法提升38.25%，误差指标显著优于ARIMA、线性回归、LSTM、XGBoost等基线方法。
Bayesian-Symbolic Integration for Uncertainty-Aware Parking Prediction
面向不确定性感知停车预测的贝叶斯-符号集成方法
文章内容
针对城市停车预测面临数据稀疏、噪声干扰且缺乏不确定性量化的痛点，提出松耦合神经符号混合框架。将贝叶斯神经网络用于概率预测与置信度判定，结合决策树提取的概率逻辑规则，设计低置信回落与上下文约束修正两种融合策略。在墨尔本真实停车数据集上验证，上下文修正策略在全量、稀疏、噪声三类场景下均优于LSTM与纯贝叶斯网络基线，兼具预测精度与可解释性，数据稀缺场景下性能优势更显著。
↓↓听说在下方一键三连的都Accept了🌝
