长短期记忆网络（Long Short-Term Memory，LSTM）是一种特殊的循环神经网络（RNN）架构，由Hochreiter与Schmidhuber于1997年提出。其核心设计引入输入门、遗忘门和输出门三种门控机制，通过细胞状态选择性地保留或遗忘信息，从而有效缓解传统RNN训练中的梯度消失与梯度爆炸问题，擅长捕捉长距离序列依赖关系，广泛应用于自然语言处理、语音识别和时间序列预测等领域。
传统RNN存在梯度消失问题，实践中更常用LSTM和GRU来解决
Qlib内置了多种机器学习模型（如LightGBM、LSTM、Transformer等）用于股票预测，并支持自定义因子和策略开发
现代病虫害预警模型常用的建模方法包括时间序列分析、随机森林、LSTM神经网络
GNMT系统采用8层LSTM编码器和8层LSTM解码器，并引入了残差连接和注意力机制
在Transformer出现之前，自然语言处理领域主要依赖RNN和LSTM来处理序列数据，这些架构必须按顺序逐词处理文本，无法并行计算
Databox的AI能力使用异常检测（如Isolation Forest、LSTM神经网络）和时序预测技术来主动发现数据中的模式和异常
Transformer架构完全抛弃了循环结构，仅依靠注意力机制处理序列关系，解决了RNN和LSTM存在的梯度消失和无法并行计算的固有缺陷