LSTM神经网络是一种常用于序列数据建模的深度学习模型，其全称为长短期记忆网络（Long Short-Term Memory Network）。与传统的循环神经网络相比，LSTM网络具有更好的长期依赖性和记忆能力，因此能够有效地处理时间序列数据。

LSTM神经网络的输入包括两部分：时序数据和先前的状态信息。时序数据通常表示为一个序列，每个元素代表一个时间点上的特征或状态。在语音识别、文本生成等任务中，时序数据可以是音频信号、单词序列等。先前的状态信息则记录了网络在之前的时间点上所记忆的信息，通常由一组向量表示，包括网络的隐状态和细胞状态。

LSTM网络的输出也由两部分组成：当前状态信息和预测结果。当前状态信息同样由隐状态和细胞状态组成，反映了网络对当前时刻的输入信息的理解和记忆。预测结果则根据当前状态信息生成，通常是一个向量或一个标量值，表示网络对下一个时间点上的数据的预测或分类结果。

在LSTM网络中，每个节点都包括三个门控单元，分别为输入门、遗忘门和输出门。这些门控单元负责控制信息的流动，并使网络具有记忆能力。输入门负责决定哪些新的信息应该被加入到细胞状态中。遗忘门则决定哪些旧的信息应该被保留下来，哪些应该被遗忘。输出门则决定当前状态信息中哪些信息应该被传递给下一个节点。

在每个时间点上，LSTM网络会根据当前的输入数据和先前的状态信息计算出当前的隐状态和细胞状态。具体而言，它会首先根据输入数据计算出三个门控单元的输出，然后使用这些输出来更新细胞状态。接着，网络使用更新后的细胞状态和输入数据再次计算隐状态，并将其作为当前状态信息输出。最后，网络使用当前状态信息生成预测结果。

总的来说，LSTM神经网络的输入包括时序数据和先前的状态信息，输出包括当前状态信息和预测结果。通过门控单元的控制，网络能够有效地记忆信息并处理时间序列数据。