CNN抽取局部特征、LSTM建模时序依赖、贝叶斯优化负责超参数寻优。这条组合链路已被大量时序预测与时序分类工作验证，但真正的门槛不在拼模型，而在参数怎么定、搜索要多久、换数据集还灵不灵。
围绕这些实操痛点，我从近年顶会顶刊中整理了10篇该方向的最新前沿论文，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），建议做相关课题的同学拿这份材料当一张现状地图：哪一层的瓶颈已经被吃透、哪些组合还处于低成本高回报阶段，一眼就能看清，选题时不必再凭感觉猜。
长按识别下方二维码，回复【长短CNN贝叶斯】
无偿领全部论文合集及项目代码
A Variational Inference-Based LSTM-Enhanced Deep Neural Model for Sequential Recommendations
基于变分推断的LSTM增强深度神经序列推荐模型
文章内容
本文针对传统LSTM推荐模型只输出确定性预测、缺乏不确定性建模、在小样本与冷启动场景泛化差的问题，提出VILDSR模型。核心设计是把隐变量引入LSTM编码器，令其输出隐状态服从多元高斯分布，用均值与方差共同表征用户偏好，再通过证据下界ELBO联合优化重构似然与KL散度，并以重参数化技巧实现端到端梯度回传；随后接入深层矩阵分解完成打分预测，正则项抑制稀疏数据下的过拟合。在Netflix、MovieLens-1M与Amazon Electronics上，RMSE、MAE及HR@10、NDCG@K、MMR全面领先LSTeM、FedCNCF、TRANSACT等基线。
Comparison of N-BEATS with Standalone and Hybrid Deep Learning Models in Monthly Inflow Forecasting to the Aras Dam Reservoir: A Feature Selection Analysis
N-BEATS与独立及混合深度学习模型在阿拉斯水库月入库流量预测中的比较：特征选择分析
文章内容
本文针对跨界河流阿拉斯水库缺少可靠入库流量预测的问题，系统比较了MLP、CNN、LSTM、GRU等独立模型与CNN-MLP、CNN-GRU、CNN-LSTM、CNN-GRU-MLP、CNN-LSTM-MLP等混合模型的预测能力，并首次引入N-BEATS（单变量）与NBEATSx（多变量）作为对照。特征筛选基于ACF/PACF/CCF确定时滞，构建127种输入组合后以MLP做代理筛选出5个场景；超参数采用随机搜索与贝叶斯优化（Optuna）联合寻优。结果显示最佳输入为1、11、12月时滞入库流量加1、12月降水与三个月移动均值，CNN-LSTM-MLP在该场景下表现最优，MAE 8.78、RMSE 12.95、R² 0.99、NSE 0.89。
Research on Load Forecasting Based on Bayesian Optimized CNN-LSTM Neural Network
基于贝叶斯优化CNN-LSTM神经网络的负荷预测研究
文章内容
本文针对高比例新能源接入下短期负荷预测精度不足、历史特征维度高且相关性弱的问题，提出贝叶斯优化CNN-LSTM混合预测框架。流程分为四步：先用Pearson相关系数剔除与负荷弱相关的冗余特征，降低输入维度；再以K-means对负荷数据聚类，识别用电模式；随后构建CNN-LSTM编码解码结构，CNN以长度10、步长10的卷积核覆盖短期波动周期提取局部特征，LSTM承接建模长期依赖；最后以RMSE为目标函数，用Matern 5/2核高斯过程回归与期望改进EI采集函数在卷积层数、核尺寸、LSTM单元数、dropout、学习率与批大小的高维空间中自动寻优。在青海某地区工业与农业实际负荷数据上，该模型精度与鲁棒性显著优于独立LSTM及未优化CNN-LSTM。
↓↓听说在下方一键三连的都Accept了🌝
