最近，推荐系统（RS）的递归神经网络（RNN）解决方案变得越来越流行。 洞察力在于，用户动作序列中存在一些固有的模式，并且事实证明，当对顺序数据进行建模时，RNN的表现非常出色。 在诸如语言建模之类的传统任务中，RNN解决方案通常仅考虑对象的顺序顺序，而没有间隔的概念。 但是，在RS中，用户动作之间的时间间隔对于捕获用户动作与传统RNN体系结构之间的关系非常重要，不利于对它们进行建模。 在本文中，我们提出了一个新的LSTM变体，即Time-LSTM，以对用户的顺序动作进行建模。 Time-LSTM为LSTM配备时间门，以对时间间隔进行建模。 这些时间门经过专门设计，因此与传统的RNN解决方案相比，Time-LSTM可以更好地捕捉用户的短期和长期利益，从而提高推荐性能。 对两个真实数据集的实验结果表明，使用Time-.LSTM推荐方法优于传统方法。

LSTM模型缓解长期依赖问题的数学证明（符号计算程序）

利用LSTM循环神经网络对多维数据进行预测，先对数据进行归一化处理，划分为训练集、测试集，用4个参数预测一个参数值

Long short-term memory (LSTM) is a recurrent neural network (RNN) architecture that remembers values over arbitrary intervals. Stored values are not modified as learning proceeds. RNNs allow forward and backward connections between neurons. An LSTM is well-suited to classify, process and predict time series given time lags of unknown size and duration between important events. Relative insensitivity to gap length gives an advantage to LSTM over alternative RNNs, hidden Markov models and other sequence learning methods in numerous applications.

针对风电功率预测问题，在现有预测方法和概率性区间预测的基础上，提出基于深度学习分位数回归的风电功率概率预测方法。该方法采用Adam随机梯度下降法在不同分位数条件下对长短期记忆神经网络(LSTM)的输入、遗忘、记忆、输出参数进行估计，得出未来200 h内各个时刻风电功率的概率密度函数。根据美国PJM网上的风电功率实际数据的仿真结果表明，所提方法不仅能得出较为精确的点预测结果，而且能够获得风电功率完整的概率密度函数预测结果。与神经网络分位数回归相比，其精度更高，且在同等置信度下的预测区间范围更小。

股票预测 LSTM模型预测股票价格

使用带有LSTM的DRL进行库存预测 该项目专注于股票预测，我们的目标是使用带有DSTM的DRL来实现一个交易框架。

自用，稳定可用

1.只提供算法程序，不提供算法咨询，有运行说明，运行环境为Matlab2021-b，代码中有相关描述。 2.包括IPSO-LSTM和单独LSTM共两个算法。 3.数据是读取excel表，模型包括6输入和1输出，除了训练外还有三种情景下的预测结果。 4.压缩包中截图是自己运行的，平均百分比误差误差为0.2%。

使用高级的图像日志工具，可以很容易地利用某些操作技术(如复制复制、对象拼接和删除)改变图像的语义，这些技术会误导观看者。相比之下，识别这些操作是一个非常具有挑战性的任务，因为被操作的区域在视觉上并不明显。本文提出了一种利用重采样特征、LSTM (Long-Short - Term Memory)单元和编码器-解码器网络分割操作区域和非操作区域的高置信度操作定位体系结构。重采样特性用于捕获JPEG质量损失、上采样、下采样、旋转和剪切等工件。该网络利用更大的接收域(空间图)和频域相关，结合编码器和LSTM网络分析操纵区域和非操纵区域之间的区别特征。最后，解码器网络学习从低分辨率特征映射到像素预测图像篡改定位。 利用所提出体系结构的最后一层(softmax)提供的预测掩码，通过地面真相掩码的反向传播进行端到端训练来学习网络参数。此外，还引入了一个大的图像拼接数据集来指导训练过程。该方法能够在像素级实现高精度的图像处理，并在三种不同的数据集上进行了严格的实验。 索引术语-图像伪造，篡改定位，分割，重采样，LSTM, CNN，编码器，解码器