在處理兼具局部相關性與長期依賴性的複雜時序數據時，CNN-LSTM是個非常可靠和有效的選擇。因為它通過分工協作有效解決了關鍵矛盾，這方面比單一模型更全面、更穩健。

但從創新角度來説，CNN-LSTM做時序預測研究範式已經發生了深刻變化，單純堆疊的思路是很難再登上頂會頂刊了。現在的主流更偏向於深度集成與改造，或與Transformer等新架構進行復雜融合，這方面已有不少成果出現在Nature子刊上了。

這裏為了方便各位理解，我挑選了近期12篇CNN-LSTM做時序預測的成果，想找思路的話強烈推薦先看，其中不乏很有潛力的切入點，比如將模型應用於新興的、複雜的多模態時序數據。

Hybrid deep learning CNN-LSTM model for forecasting direct normal irradiance: a study on solar potential in Ghardaia, Algeria

方法：論文構建了 CNN-LSTM 混合模型，結合 CNN 的空間特徵提取能力與 LSTM 的時序依賴捕捉優勢，對阿爾及利亞蓋爾達耶地區的直接法向輻照度進行時序預測，並通過與 FFBP、CFBP、SVR 模型的對比，驗證了其更高的預測準確性。

創新點：

• 融合CNN與LSTM構建混合模型，同時捕捉氣象數據的空間特徵和太陽輻照度的時序依賴。
• 針對阿爾及利亞蓋爾達耶地區的氣候特點，提供適配當地的精準輻照度預測方案。
• 對比CNN-LSTM與FFBP、CFBP、SVR模型，通過多類指標驗證其預測精度和可靠性優勢。

CNN-LSTM optimized with SWATS for accurate state-of-charge estimation in lithium-ion batteries considering internal resistance

方法：論文提出一種基於 SWATS 優化的 CNN-LSTM 時序預測方法，將電池電流、電壓、温度及內部電阻作為輸入，通過 CNN 提取空間特徵、LSTM 捕捉時序依賴，結合 Adam 與 SGDM 切換的優化策略，實現鋰離子電池荷電狀態的精準時序預測。

創新點：

• 搭建包含內部電阻測量的電池測試台，獲取多温度、多駕駛循環下的電池數據，擺脱對公開數據集的依賴。
• 在SOC估計模型中納入與SOC高度相關的內部電阻參數，大幅提升預測準確性。
• 提出SWATS優化的CNN-LSTM模型，通過Adam與SGDM切換優化，兼顧訓練速度與泛化性能，捕捉電池數據的時空特徵。

Multidimensional precipitation index prediction based on CNN-LSTM hybrid framework

方法：論文提出基於CNN-LSTM混合框架的時序預測方法，利用CNN提取印度浦那地區1972-2002年月度降水數據的局部特徵，通過LSTM捕捉數據的長期依賴關係，實現對降水指標的精準時序預測。

創新點：

• 結合CNN與LSTM構建混合框架，分別捕捉降水數據的局部特徵和長期依賴。
• 採用印度浦那地區1972-2002年的長時序月度降水數據，充分利用季節波動與長期趨勢信息。
• 選用Huber損失函數和Adam優化器，模型預測誤差較低（RMSE=6.752），優於傳統方法。

Rainfall prediction based on CNN-LSTM model under sliding window

方法：論文提出基於滑動窗口的 CNN-LSTM 時序預測方法，結合滑動窗口劃分多月份降雨及大氣指標數據、數據增強技術，通過 CNN 提取局部特徵、LSTM 捕捉時序依賴，實現月度降雨量的精準預測，並與 LSTM、GRU 模型對比驗證效果。

創新點：

• 結合滑動窗口技術劃分多月份降雨及大氣指標數據，為時序預測提供更全面的輸入信息。
• 採用數據增強和Dropout技術，解決滑動窗口導致的輸入維度小、模型易過擬合的問題。
• 構建CNN-LSTM混合模型，通過CNN提取數據局部特徵、LSTM捕捉時序依賴，預測效果優於LSTM和GRU模型。