CNN+LSTM+Attention=不卷+高区保障！

今天给大家推荐一个热门且好发高区的方向：CNN+LSTM+Attention！

一方面：其充分利用了这三者的优势，不仅能同时捕捉数据中的长期依赖关系和局部特征，还能自动关注与任务相关的关键信息，在提高模型处理复杂序列数据的性能方面，不可替代！比如模型CLX便实现了预测误差直降65％的CLX……

另一方面，以往的论文创新，主要采用“A+B”的形式，审稿人早已审美疲劳！而本文所述思路，目前还在蓝海期，可发挥空间大。且这三者本就是AI领域的“常青树”，可参考的资源也很多！

为方便大家研究的进行，我给大家准备了9种前沿的创新思路，并提供了开源的代码，一起来看！

论文原文+开源代码需要的同学看文末

论文：Short-Term Stock Correlation Forecasting Based on CNN-BiLSTM Enhanced by Attention Mechanism

内容

该论文提出了一种基于CNN-BiLSTM并增强了注意力机制的模型，用于短期股票相关性预测。该模型结合了卷积神经网络（CNN）的高维特征提取能力、双向长短期记忆网络（BiLSTM）处理时间序列信息的能力以及注意力机制优化BiLSTM输出权重的能力，旨在提高短期股票相关性预测的准确性，对金融资产组合的高效管理至关重要。

论文：A deep LSTM-CNN based on self-attention mechanism with input data reduction for short-term load forecasting

内容

该论文提出了一种基于自注意力机制的深度LSTM-CNN模型，用于短期负荷预测，并在输入数据量减少的情况下提高了预测准确性，利用LSTM网络提取长期行为特征，通过卷积层捕获非平稳性，然后使用自注意力机制强调关键输入负荷信息，从而在不同的建筑和时间粒度上实现了出色的预测性能。

论文：Attention-based CNN-LSTM and XGBoost hybrid model for stock prediction

内容

该论文提出了一种基于注意力机制的CNN-LSTM和XGBoost混合模型，用于股票价格预测，该模型结合了时间序列模型ARIMA、带有注意力机制的卷积神经网络、长短期记忆网络和XGBoost回归器，以提高预测准确性，并能够充分挖掘股票市场在多个时间段的历史信息，帮助投资者或机构做出决策，实现扩大收益和规避风险的目的。

论文：A self-attention-based CNN-Bi-LSTMmodelforaccuratestate-of-charge estimation of lithium-ion batteries

内容

该论文介绍了一种基于自注意力机制的卷积神经网络-双向长短期记忆网络（CNN-Bi-LSTM）模型，用于准确估计锂离子电池的荷电状态（SOC），并指出该模型能够在广泛的温度范围内实现精确的SOC估计，特别是在低温环境下，通过结合空间和时间依赖性，以及自注意力机制来识别数据集中的重要特征和模式，从而提高整体性能和鲁棒性。

 关注下方《人工智能学起来》

回复“9ABC”获取全部论文+开源代码

码字不易，欢迎大家点赞评论收藏