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。

该论文提出了多种基于深度学习的表情识别方法，如时间卷积网络、SeqFormer和微弱监督框架MC-WES，均在不同数据集上表现优异，推动了视频情感分析和微表情识别的发展。

本文探讨了利用自我注意力的时间卷积网络和自监督视觉Transformer进行疾病预测的方法。通过将时间序列信号转化为时间嵌入，结合深度语义分割，实现了对不同类型用地的分类。研究表明，该方法在多模态学习中表现良好，有助于提升地理空间计算机视觉的用户体验和安全性。

本文综述基于时间卷积网络（TCN）的人类活动识别与分割研究，涵盖Otago运动监测、手术阶段识别、排球跳跃分类及EEG情感识别等应用。核心方法包括多阶段TCN、扩张卷积、对比损失与图模型，可提升准确率并降低计算成本，实现无监督康复评估与精准时序分割。

本文综述手术阶段识别方法：ARST采用自回归变压器建模阶段相关性，在Cholec80上达到66帧/秒；STAR-Net结合多尺度时态行动与序列正则化；MS-TCN使用层次化时间卷积；SF-TMN融合帧级与片段级时间建模；MTMS-TCN联合识别阶段与步骤；此外还有ConvTransformer、STAR-transformer、扩张卷积分段、PSI-AVA数据集与TAPIR模型、LoViT长视频变压器等，均在相关数据集上优于现有方法。

本研究利用公共社交媒体数据和深度学习表示，结合比特币价格数据，构建了多种深度学习构架来预测比特币的波动率。实证结果显示时间卷积网络在预测精度上表现更优，同时发现推文作者元信息是更好的波动率预测因子。