word2vec+lstm情感分析（三分类）+使用说明 使用方法： 1、修改 ../data/neg(消极）../data/pos(积极）../data/neutral(中立）训练数据 及 ../data/sum(测试数据）（本数据为我上网download数据库，是不同情感方向的评价数据。） 2、运行 ../lstm/lstm_train 并修改 参数列表 （建议只修改代码30-33行）及 （119行代码）x_train, x_test, y_train, y_test = train_test_split(combined, y, test_size=0.2) 此处0.2表示 train_data/test_data=1/5;（修改代码是为了提高lstm模型 accurancy 及 降低loss) 3、运行 ../lstm/lstm_test（该结果将存储在../result/result。xlsx 即为所求） 该模型优点：准确率较高； 缺点：损失函数较高；耗时长;处理大量数据时占用的内存较大

使用LSTM进行血糖预测并使用MLFLOW进行模型管理，您将了解如何在Keras深度学习库中开发用于多变量时间序列预测的LSTM模型。并基于LSTM模型进行血糖预测。

脑机接口是一种通过特定手段对脑电信号进行提取，利用信号处理算法解码，分析大脑信号，识别人脑的技术。为了提高二分类运动想象脑电信号的识别准确率，该文提出了一种基于LSTM神经网络的脑电信号分类方法，以2003年BCI国际竞赛的公开数据对所提出的方法进行验证。实验结果证明，LSTM神经网络训练出的模型具有良好的效果，分类的平均准确率接近90%。

基于时空LSTM的OD客运需求预测

LSTM情感分析-附件资源

以matlab开发工具，将负荷参数和气象数据经过LSTM递归神经网络训练，预测了未来10天的符合参数，属于LSTM多步预测，最后与实际只进行了比较，得到了均方根和比较图

LSTM-交通预测 代码+模型 训练数据

经典的LSTM分类模型，一种是利用LSTM最后时刻的输出作为高一级的表示，而另一种是将所有时刻的LSTM输出求平均作为高一级的表示．这两种表示都存在一定的缺陷，第一种缺失了前面的输出信息，另一种没有体现每个时刻输出信息的不同重要程度．为了解决此问题，引入 Attention 机制，对 LSTM 模型进行改进，设计了 LSTM-Attention 模型．实验结果表明: LSTM 分类模型比传统的机器学习方法分类效果更好，而引入 Attention 机制后的 LSTM 模型相比于经典的文本分类模型，分类效果也有了一定程度的提升．

文章在深度学习理论的基础上应用LSTM网络对电力负荷进行了预测，具有较高的应用价值。

时序数据-LSTM模型-实现用电量预测，里面包含数据和代码，代码讲解见：https://mtyjkh.blog.csdn.net/article/details/115612319