该研究提出了VRU-CIPI框架，旨在提高城市交叉口脆弱道路用户（VRU）的过马路意图预测准确性。通过GRU和多头Transformer自注意力机制，该方法在UCF-VRU数据集上实现了96.45%的准确率，显著增强了交叉口安全性。

本研究提出了一种基于简化门控递归单元（GRU）的硬件架构，旨在解决内存受限的嵌入式边缘计算中的时间序列数据处理问题。通过开关电容电路实现内存计算和门控状态更新，显著提升了性能，并验证了与软件模型的兼容性。

本研究提出了一种推测性谈话结束检测器，解决了对话系统中用户发言结束与犹豫的区分问题。通过结合GRU和Wav2vec模型，显著提高了检测准确性，实现实时检测，改善了语音对话系统的响应流畅性，提升了用户体验。

本研究提出了一种基于注意力机制的双向GRU混合模型，用于检测乌尔都语中的不当内容。该模型在未使用预训练word2Vec层的情况下，达到了84%的准确率，表明注意力层显著提高了效率。

本研究解决了金融市场情绪分析中的时间序列数据的顺序依赖和长期依赖问题。通过结合卷积神经网络和门控循环单元，进行情绪状态的特征提取和时间序列分析，从而实现准确的风险预警。研究表明，该方法能够有效识别市场情绪变化，提高风险预测的精准性。

本研究提出了一种基于GRU的多目标跟踪方法，解决了传统方法在复杂环境中的非线性和噪声建模不足问题。通过可学习的卡尔曼滤波器和半监督学习策略，提升了模型性能和鲁棒性。实验结果表明，该方法在nuScenes和Argoverse2数据集上优于传统方法。

研究提出了一种层次模型，用于预测氮氧化物、臭氧和细颗粒物浓度。模型基于空气污染动态和大气科学，使用层次化的GRU，预测效果优异。

本研究重新评估传统RNN，如LSTM和GRU，提出通过消除隐藏状态依赖的新方法。简化版（minLSTMs和minGRUs）减少参数，训练可完全并行化，效率提升175倍，性能与最新序列模型相当。

本研究评估了机器学习模型在预测新材料性能时的表现，发现当前最先进的图神经网络算法在超出分布的任务上表现不足。研究还发现CGCNN、ALIGNN和DeeperGATGNN等模型在超出分布的任务上性能更稳健，并提供了改进性能的见解。

本研究利用图神经网络混合模型提高了野火预测准确性，揭示了野火相关性聚类和特征重要性，推动了野火预测方法的发展。

通过深度学习构建融合多通道数据的网络（MCDFN），提高需求预测准确性并实现可解释性，优于其他七个深度学习模型，适用于供应链管理系统且为未来研究提供方向。

本文介绍了一种新的方法，使用四足机器人帮助视力障碍者在现实世界中导航。该方法可以让四足机器人检测湿滑的表面，并使用音频和触觉反馈告知用户何时停下来。提出了一种精度为99.925％的最先进的基于GRU的神经网络架构。数据集和代码已发布到公共领域中。

DeFlow是一种用于场景流任务的网络，通过使用GRU细化从基于体素的特征到点特征的过渡，并通过新型损失函数解决了数据不平衡问题。在大规模点云数据上，DeFlow取得了最先进的结果，具有更好的性能和效率。

本文比较了不同类型的递归神经网络中的递归单元，发现实现门机制的更加复杂的递归单元比传统的 tanh 单元更好，特别是长短时记忆（LSTM）单元和门控循环单元（GRU）表现最佳。

该论文介绍了一种将传统的 Black and Scholes 模型与人工智能算法相结合的 Q-Learning Black Scholes 方法，实现了无模型、数据驱动的期权定价和对冲。该算法在不同场景下表现出稳健的性能，并考虑了比例交易成本。