为进一步浓厚学术氛围，拓展我院师生在人工智能前沿领域的视野，2025年11月19日星期三下午，我校计算机科学与工程学院唐昌华教授，在教1-401为师生带来了一场题为《基于改进LSTM的时间序列分析与预测》的精彩学术报告。学院领导、部分教师及微专业学生共同聆听了此次报告。

首先，唐昌华教授以深入浅出的方式，引领大家回顾了深度学习的发展脉络。他从基础的卷积神经网络（CNN）讲起，生动阐述了其在图像识别领域的核心作用，并系统介绍了LeNet、VGG、ResNet等里程碑式的经典网络模型，清晰勾勒出CNN从浅层到深度、从基础架构到残差连接的技术演进图景，同时介绍了广泛应用于大模型领域的Transformer模型和自注意力机制，让广大师生对深度学习的基础架构有了更系统的认识。

随后，唐昌华教授指出，在处理像时间序列这类具有前后依赖关系的数据时，循环神经网络（RNN）及其变体展现出独特优势。他重点讲解了长短期记忆网络（LSTM）的原理与局限，并详细介绍了他在“改进LSTM”模型上的创新工作。通过模型结构的优化，该改进模型能更有效地捕捉时间序列中的长期依赖关系，提升了预测的精确度和稳定性。

为了让理论更好地对接实际应用，唐教授还分享了强化学习在智能驾驶决策规划、智能机器人控制等前沿领域的应用案例，展现了深度学习与强化学习相结合的巨大潜力，激发了师生对交叉学科研究的浓厚兴趣。

报告的最后，唐教授以“上证指数”这一真实的金融时间序列为案例，向师生们完整展示了从数据预处理、模型构建、训练优化到最终预测的完整分析流程。最终结果表明，基于改进LSTM的预测模型在趋势捕捉上表现优异，为金融数据分析提供了有力的技术工具。这一“从理论到代码，从模型到应用”的完整闭环，让在场师生深刻体会到时间序列分析技术的实用价值与现实意义。

本次报告内容翔实、逻辑清晰，既有理论高度，又有实践深度，不仅让我院师生对时间序列预测的前沿技术有了更深入的了解，也极大地激发了同学们投身人工智能领域学习和研究的热情。

 初审：张洋 |  复审：王岩  |  终审：吴琼