本文提出了一种新颖的深度学习方法，用于通过离散采样估计马尔科夫过程中的时变参数。实验集中在多元回归和随机微分方程的参数估计上，结果表明该方法在特定条件下能有效接近真实解，为基于随机微分方程的模型参数估计提供了新工具。此外，研究探讨了深度学习在分数随机过程中的应用，发现其在赫斯特参数估计方面具有潜力，但效果依赖于过程类型和训练数据质量。

本研究使用LSTM网络估计分数随机过程的赫斯特参数。研究发现LSTM在分数布朗运动和分数奥恩斯坦-厄伦贝克过程中表现优于传统统计方法，但在线性分数稳定运动中准确性有限。研究还探讨了训练长度和估值序列长度对LSTM性能的影响。该方法应用于锂离子电池衰减数据中的赫斯特参数估计，并得到了估计的置信区间。深度学习方法在分数过程参数估计方面表现出潜力，但有效性取决于过程类型和训练数据质量。