在处理兼具局部相关性与长期依赖性的复杂时序数据时，CNN-LSTM是个非常可靠和有效的选择。因为它通过分工协作有效解决了关键矛盾，这方面比单一模型更全面、更稳健。
但从创新角度来说，CNN-LSTM做时序预测研究范式已经发生了深刻变化，单纯堆叠的思路是很难再登上顶会顶刊了。现在的主流更偏向于深度集成与改造，或与Transformer等新架构进行复杂融合，这方面已有不少成果出现在Nature子刊上了。
这里为了方便各位理解，我挑选了近期12篇CNN-LSTM做时序预测的成果，想找思路的话强烈推荐先看，其中不乏很有潜力的切入点，比如将模型应用于新兴的、复杂的多模态时序数据。
全部论文+开源代码需要的同学看文末
Hybrid deep learning CNN-LSTM model for forecasting direct normal irradiance: a study on solar potential in Ghardaia, Algeria
方法：论文构建了 CNN-LSTM 混合模型，结合 CNN 的空间特征提取能力与 LSTM 的时序依赖捕捉优势，对阿尔及利亚盖尔达耶地区的直接法向辐照度进行时序预测，并通过与 FFBP、CFBP、SVR 模型的对比，验证了其更高的预测准确性。
创新点：
融合CNN与LSTM构建混合模型，同时捕捉气象数据的空间特征和太阳辐照度的时序依赖。
针对阿尔及利亚盖尔达耶地区的气候特点，提供适配当地的精准辐照度预测方案。
对比CNN-LSTM与FFBP、CFBP、SVR模型，通过多类指标验证其预测精度和可靠性优势。
CNN-LSTM optimized with SWATS for accurate state-of-charge estimation in lithium-ion batteries considering internal resistance
方法：论文提出一种基于 SWATS 优化的 CNN-LSTM 时序预测方法，将电池电流、电压、温度及内部电阻作为输入，通过 CNN 提取空间特征、LSTM 捕捉时序依赖，结合 Adam 与 SGDM 切换的优化策略，实现锂离子电池荷电状态的精准时序预测。
创新点：
搭建包含内部电阻测量的电池测试台，获取多温度、多驾驶循环下的电池数据，摆脱对公开数据集的依赖。
在SOC估计模型中纳入与SOC高度相关的内部电阻参数，大幅提升预测准确性。
提出SWATS优化的CNN-LSTM模型，通过Adam与SGDM切换优化，兼顾训练速度与泛化性能，捕捉电池数据的时空特征。
Multidimensional precipitation index prediction based on CNN-LSTM hybrid framework
方法：论文提出基于CNN-LSTM混合框架的时序预测方法，利用CNN提取印度浦那地区1972-2002年月度降水数据的局部特征，通过LSTM捕捉数据的长期依赖关系，实现对降水指标的精准时序预测。
创新点：
结合CNN与LSTM构建混合框架，分别捕捉降水数据的局部特征和长期依赖。
采用印度浦那地区1972-2002年的长时序月度降水数据，充分利用季节波动与长期趋势信息。
选用Huber损失函数和Adam优化器，模型预测误差较低（RMSE=6.752），优于传统方法。
Rainfall prediction based on CNN-LSTM model under sliding window
方法：论文提出基于滑动窗口的 CNN-LSTM 时序预测方法，结合滑动窗口划分多月份降雨及大气指标数据、数据增强技术，通过 CNN 提取局部特征、LSTM 捕捉时序依赖，实现月度降雨量的精准预测，并与 LSTM、GRU 模型对比验证效果。
创新点：
结合滑动窗口技术划分多月份降雨及大气指标数据，为时序预测提供更全面的输入信息。
采用数据增强和Dropout技术，解决滑动窗口导致的输入维度小、模型易过拟合的问题。
构建CNN-LSTM混合模型，通过CNN提取数据局部特征、LSTM捕捉时序依赖，预测效果优于LSTM和GRU模型。
关注下方《学姐带你玩AI》🚀🚀🚀
回复“222”获取全部方案+开源代码
码字不易，欢迎大家点赞评论收藏
)
