本研究提出了一种新型循环结构“基于物理的能量转移神经网络”（PETNN），有效解决了传统循环神经网络在长期依赖学习中的不足。PETNN在序列任务中超越了基于Transformer的方法，展现出较低的复杂性，显示出开发高效循环神经网络的潜力。

本研究提出了一种长短期解耦模型（LSTD），旨在解决在线时间序列预测中的长期依赖与短期变化适应性不足的问题。该模型通过引入未知干预的概念，在多个基准数据集上表现优于现有方法。

本研究通过增加LSTM层提升语音情感识别模型的准确性和效率。实验结果表明，双层LSTM模型的识别准确率提高了2%，且识别延迟显著降低，增强了实时性能，显示其在处理长期依赖情感特征方面的优势。

本研究提出并行门控网络（PGN），解决RNN在长期依赖问题上的不足。通过历史信息提取层缩短信息传播路径，并结合时间建模框架TPGN，在长时间序列预测中表现优异，取得最佳效果。

该研究提出了一种新的方法，通过结合序列模型和多重转换预测，利用参数化长期依赖来提高重建超声的性能。实验证明，该算法利用超参数调整方法有效地利用长期依赖，并在数据收集、扫描协议调整和网络开发方面具有实际意义。

本文介绍了利用大型语言模型（LLM）进行人类移动性预测的潜力。通过引入LLM-Mob方法，研究提出了历史停留和上下文停留的概念，捕捉人类移动性中的长期和短期依赖，并通过使用预测目标的时间信息实现时间感知预测。全面评估结果表明，LLM-Mob在提供准确可解释预测方面表现出色，突显了LLM在推进人类移动性预测技术上的未开发潜力。