本研究提出了一种简单序列模型LSSL，利用连续时间记忆结构矩阵提升性能，优于其他深度学习模型。探讨了神经状态空间模型的系统识别算法，分析了初始状态估计对动态系统的影响。研究了线性状态空间模型与深度神经网络的结合，比较了不同模型在学习长序列中的效率，并提出了状态空间模型的上下文学习能力及其权重构造方法，验证了其有效性。

本研究提出了GraphSSM框架，扩展了状态空间模型（SSM）理论，以建模时间图的动态性。实验验证了其在时间图基准测试中的有效性，并回顾了SSM的最新研究进展，比较了不同模型在学习长序列方面的性能，提出了改进训练算法的方法，以提高模型的普适性和预测能力。