为减轻日益严重的交通拥堵问题，实现智能交通管控，给交通流诱导和交通出行提供准确实时的交通流预测数据，设计了基于长短时记忆神经网络（LSTM）和BP神经网络结合的LSTM-BP组合模型算法.挖掘已知交通流数据的特征因子，建立时间序列预测模型框架，借助Matlab完成从数据的处理到模型的仿真，实现基于LSTM-BP的短时交通流精确预测.通过与LSTM\BP\WNN三种预测网络模型的对比，结果表明LSTM-BP预测的时间序列具有较高的精度和稳定性.该模型的搭建，可对交通分布的预测、交通方式的划分、实时交通流的分配提供依据和参考.

基于LSTM的文本生成的源码

poetry_song数据集

poetry5000数据集

基于LSTM的文本挖掘

使用3DCNN和卷积LSTM进行手势识别学习时空特征

当前基于油中溶解气体分析(DGA)的变压器故障诊断方法往往仅考虑单一时刻数据点，容错性差，难以充分挖掘在线监测数据的时序信息。提出一种考虑变压器油特征参量序列间复杂关系的基于双向长短时记忆(Bi-LSTM)网络的变压器故障诊断方法。首先构建了变压器油特征参量序列，基于序列数据构建了Bi-LSTM变压器故障诊断模型。工程实际中不同变压器油特征参量序列长短不一，需通过排序、分组填充对模型输入进行重构改进，然后对超参数进行优化。基于同一自建数据库对比所提方法与其他方法，结果表明：经过数据重构后所提方法的准确率可达91.9 %；当特征指标数量减少约2/3时，所提方法的准确率仅下降约1%，而其他方法的准确率平均下降约6 %；当采样数据存在10%的随机错误时，所提方法诊断准确率仅下降2%~6 %，且通过改变隐藏层的数量可得到改善。

网上收集整理的关于LSTM循环神经网络的原理及算法简介，

基于LSTM的序列预测-机月流量预测项目代码，原始博客地址：https://panjinquan.blog.csdn.net/article/details/120918732

CIT_LSTM_TimeSeries 用于电力负荷预测的LSTM模型最佳深度学习使用特征选择和遗传算法进行电力负荷预测的LSTM模型：与机器学习方法的比较Salah Bouktif，Ali Fiaz，Ali Ouni和M. Adel Serhani