为提高对虾饲料的利用率，减少养殖成本，提高养殖效益，提出了一种基于自注意力机制(self-attention, ATTN)和卷积神经网络(convolutional neural network, CNN)-长短期记忆网络(long short term memory, LSTM)的对虾投饵量预测模型(CNN-LSTM-ATTN),以水温、溶解氧、对虾的数量与质量作为预测模型的输入数据，通过CNN挖掘输入数据间的内在联系，提取出数据特征信息，利用LSTM的长期记忆能力保存数据特征信息，使用ATTN突出不同时间节点数据特征的重要性，进一步提升模型的性能。结果表明，本研究中提出的CNN-LSTM-ATTN预测模型的均方根误差、平均绝对误差和平均绝对百分误差分别为0.816、0.681和0.018,均小于BP(back propagation)神经网络、LSTM和CNN-LSTM 3个基准模型，其模型预测能力和稳定性优于其他模型。研究表明，本研究中构建的模型能较好地实现对虾投饵量的准确预测，可为对虾养殖投饵量的管理调控提供参考依据。

随着智能电表的发展，对区域级、建筑级的负载预测准确度逐步提高，但在住户级负载预测领域，因其突变性、波动性更强，该领域仍面临着巨大挑战。为了解决这些问题，提出多重检测长短期记忆模（Multi-detection-LSTM），即在传统聚类方法上引入深度学习领域的LSTM模型，使其面对不同的住户数据时能自适应其用电习惯，对单户人家用电量进行精准预测。与传统模型相比，Multi-detection-LSTM有效的消除了住户级负载预测面临的波动性问题，具有更高的准确度。