本研究提出了一种混合深度学习模型——TCN-MLP-注意力架构，用于哈斯鳄梨价格预测。该模型结合时间卷积网络、全连接神经网络和注意力机制，显著提高了预测精度，均方根误差为1.23。

本研究提出了一种正则化稀疏自编码器（RSAE）框架，旨在提高大宗商品价格波动预测的透明度，结果显示其在价格预测和市场因素解释方面优于传统模型。

本研究提出了一种新方法，将逆博弈理论与逆多智能体学习中的收益函数参数问题转化为生成对抗优化问题，并开发了多项式时间算法。结果表明，该方法在西班牙电力市场价格预测中优于ARIMA模型。

本研究提出了一种基于深度学习的比特币价格预测模型，采用小波变换去除噪声，显著提高了预测精度。结果表明，该模型在不同时间段的价格预测中优于现有模型，最低预测误差为0.58%。

该研究提出MRC-LSTM方法，结合多尺度残差卷积神经网络与长短时记忆网络，显著提高比特币价格预测的准确性。同时，研究探讨了社交媒体情绪和宏观经济因素对加密货币价格的影响，强调了深度学习和特征工程在预测中的应用潜力。

本研究提出了一种名为CrudeBERT的语言模型，旨在提高石油市场的情感分析和价格预测的准确性。研究表明，CrudeBERT的情感评分与WTI期货曲线高度一致，强调了将经济原则融入语言模型的重要性。

本文介绍了多种加密货币价格预测方法，包括C2RM模块、深度学习模型和动态贝叶斯网络。研究表明，社交媒体信息、技术指标和机器学习技术显著提升了预测效果，强调了情感分析和动态数据在金融市场中的重要性。这些方法有助于提高加密货币交易的准确性和效率。

该研究利用统计学和机器学习方法构建了电力需求和价格的长、中、短期预测模型。结果表明，LSTM和正规流模型在电力价格预测中表现优异，尤其在市场波动和能源危机应对方面，显著提高了预测准确性。

本文提出了一种基于深度学习的停车可用性预测框架，利用多源数据和神经普通微分方程，优化停车场的占用率和价格预测。研究表明，该模型在准确性和优化效率上优于其他方法，尤其在不规则时间情况下表现突出。此外，动态调整停车价格有助于改善城市空气质量，强调了空间依赖性在停车行为预测中的重要性。

本文提出了一种基于深度学习的停车场占用率和价格预测模型，并结合一次性价格优化方法，提高了预测准确性和优化效率。同时，研究探讨了动态调整停车服务价格以改善城市空气质量的可行性。

本文研究了基于Transformer和LSTM的模型在加密货币价格预测中的应用，发现市场情绪与价格变化密切相关。通过分析社交媒体数据，深度学习方法显著提升了预测性能。研究还探讨了不同机器学习算法的可解释性，并提出了新的特征工程方法，以提高预测准确性和开发低风险交易策略。

本文探讨了二手车价格预测的多种方法，包括决策树模型、支持向量机和自动化机器学习（AutoML）。研究表明，集成方法和深度学习技术能够提高预测准确性，降低风险，优化价格策略。

该文综述深度学习在时间序列预测中的应用，涵盖单步与多步预测的编码器-解码器设计、时间信息融合方法，以及深度学习与统计模型的混合模型进展，并涉及金融、工业等领域的价格预测，比较LSTM、CNN等模型性能，探讨深度学习对决策支持的促进作用。