CNN与LSTM的融合，始终是时序预测、故障诊断、生物信号分析等任务中"空间特征提取+时序依赖建模"的经典组合范式，近两年在多变量预测、工业缺陷检测、脑电信号解码等方向涌现出大量改进型工作。
本文整理了10篇两者结合的最新前沿论文，正在做相关课题的伙伴可以直接下方领取论文及代码（部分包含），搭基线、找改进点、扩实验方向都能直接用上。
长按识别下方二维码，回复【长短卷积】
无偿领全部论文合集及项目代码
Real-Time American Sign Language Recognition Using 3D Convolutional Neural Networks and LSTM: Architecture, Training, and Deployment
基于3D卷积神经网络与LSTM的实时美式手语识别：架构、训练与部署
文章内容
该研究提出融合3D CNN与LSTM的混合深度学习系统，用于实时美式手语单词识别。模型通过3D卷积从视频帧中提取时空特征，再经2层LSTM（512隐藏单元）建模手势时序动态，在WLASL、ASL-LEX及100例专家标注 sign 三类数据集上训练，100个实验类别的F1分数达0.71至0.99。系统支持AWS云端与OAK-D边缘相机双部署，推理延迟低于1秒，可服务于听障人群无障碍通信场景，为手语实时翻译提供完整工程方案。
Gradient Boosting Decision Tree with LSTM for Investment Prediction
融合梯度提升决策树与LSTM的投资预测模型
文章内容
该研究针对S&P 500股票价格预测任务，提出CatBoost、LightGBM与LSTM三模型堆叠集成框架。元学习器采用双层LSTM动态分配各基模型时序权重，融合梯度提升树处理表格非线性特征的优势与LSTM捕捉长短期时间依赖的能力。在多尺度股票数据上，集成模型R²达0.8152、MAE降至23.658，较传统ARIMA、CNN、RNN及单LSTM+ANN等基线显著提升，在市场风格切换期间波动率降低效果尤为明显，为金融时间序列预测提供了可迁移的异构集成范式。
Long-Sequence LSTM Modeling for NBA Game Outcome Prediction Using a Novel Multi-Season Dataset
基于多赛季新数据集的长序列LSTM NBA比赛结果预测建模
文章内容
该研究构建了覆盖2004–2025赛季、共9840场常规赛的纵向NBA数据集，提出三层堆叠LSTM模型，以过去8个完整赛季的比赛数据为输入窗口预测下一场主客队胜负。模型在Logistic回归、随机森林、MLP、CNN等基线对比中表现最优，准确率达72.35%、精确率73.15%、AUC-ROC为76.13%，优于博彩公司约55%的预测水平，验证了长序列时序依赖建模在体育赛事预测中应对概念漂移与跨赛季泛化的关键价值。
↓↓听说在下方一键三连的都Accept了🌝
