航识无涯学术致力于成为您在人工智能领域的领航者，定期更新人工智能领域的重大新闻与最新动态，和您一起探索AI的无限可能。
2025深度学习发论文&模型涨点之——CNN+LSTM
近年来，卷积神经网络（CNN）与长短期记忆网络（LSTM）的融合架构在时序信号建模与空间-时间特征联合提取领域展现出显著优势。CNN凭借其局部感受野与权值共享机制，能够高效捕捉输入数据的空间层级特征；而LSTM通过门控单元和细胞状态的设计，解决了传统循环神经网络（RNN）的梯度消失问题，在长序列建模中表现出卓越的动态时序建模能力。
小编整理了一些CNN+LSTM【论文】合集，以下放出部分，全部论文PDF版皆可领取。
我整理了一些【论文+代码】合集，需要的同学公人人人号【航识无涯学术】发123自取。
论文精选
论文1：
Predicting Stock Market Time-Series Data using CNN-LSTM Neural Network Model
使用CNN-LSTM神经网络模型预测股票市场时间序列数据
方法
数据预处理：从Kaggle和Alpha Vantage API收集股票市场数据，进行数据清洗、填补空值，并将一维数组转换为张量以适应CNN输入。
CNN-LSTM模型构建：CNN部分用于提取数据特征，LSTM部分用于捕捉时间序列数据的模式。
模型训练与验证：使用均方误差（MSE）作为损失函数，通过训练数据集训练模型，并在验证数据集上评估模型性能。
模型部署：将训练好的模型保存为HDF5格式，并使用Docker和Helm图表进行部署，以便在不同环境中使用。
创新点
CNN-LSTM结合：将CNN的特征提取能力与LSTM的时间序列处理能力相结合，提高了模型对股票市场数据的预测精度。
数据预处理优化：通过将一维数组转换为张量，解决了CNN处理时间序列数据的难题，提升了模型的适用性。
模型性能提升：在多个股票市场数据集上进行测试，平均MSE达到0.035，相比其他模型如LSTM和XGBoost，预测精度更高。
部署灵活性：提供Docker和Helm图表，方便用户在不同环境中部署和使用模型。
论文2：
Wavelet CNN-LSTM time series forecasting of electricity power generation considering biomass thermal systems
考虑生物质热系统的电力生成时间序列预测的Wavelet CNN-LSTM
方法
数据预处理：使用巴西国家系统运营商（ONS）提供的生物质发电数据，进行数据清洗和归一化处理。
小波变换：应用小波变换对时间序列信号进行降噪，减少高频噪声对预测的影响。
CNN-LSTM模型构建：CNN部分用于提取时间序列数据的空间特征，LSTM部分用于建模时间依赖性。
模型训练与验证：使用均方误差（MSE）和平均绝对百分比误差（MAPE）等指标评估模型性能。
模型优化：通过调整模型参数（如层数、隐藏单元数、学习率等）优化模型性能。
创新点
小波变换集成：在CNN-LSTM模型中集成小波变换，有效降低了信号噪声，提高了模型的预测精度，MAPE降低至0.0148。
模型性能提升：与DeepNPTS、TCN、NHITS和NBEATS等其他深度学习模型相比，提出的Wavelet CNN-LSTM模型在所有评估指标上均表现出色，R2达到0.696。
数据预处理优化：通过小波变换对输入数据进行预处理，减少了数据的复杂性，提高了模型的训练效率。
模型鲁棒性：通过多次实验验证了模型的稳定性，证明了模型在不同初始化条件下具有良好的鲁棒性。
论文3：
Integrating Remote Sensing Data and CNN-LSTM-Attention Techniques for Improved Forest Stock Volume Estimation: A Comprehensive Analysis of Baishanzu Forest Park, China
结合遥感数据和CNN-LSTM-Attention技术改进森林蓄积量估算：中国白山国家森林公园的综合分析
方法
数据预处理：整合森林调查数据、SRTM数据和Landsat 8影像数据，提取光谱、植被指数、纹理、主成分分析（PCA）、地形和土壤等特征变量。
特征选择：使用皮尔逊相关性分析筛选与森林蓄积量高度相关的特征变量。
CNN-LSTM-Attention模型构建：CNN部分用于提取特征变量的空间特征，LSTM部分用于捕捉时间序列特征，注意力机制用于增强对森林蓄积量有高响应的特征变量。
模型训练与验证：使用均方误差（MSE）、平均绝对误差（MAE）和决定系数（R2）等指标评估模型性能。
创新点
多源数据融合：结合多源遥感数据和森林调查数据，提高了森林蓄积量估算的精度。
CNN-LSTM-Attention模型：通过引入注意力机制，模型能够更好地捕捉对森林蓄积量有高响应的特征变量，R2达到0.8544，rMSE降低至26.1501 m3/ha。
特征选择优化：通过皮尔逊相关性分析筛选特征变量，减少了模型输入的冗余，提高了模型的训练效率。
模型性能提升：与MLR、RF和BP神经网络等传统模型相比，CNN-LSTM-Attention模型在预测精度和预测时间上均表现出色。
