الشبكات العصبية المتكررة (RNNs)، والتشابك الزمني، والمعادلات التفاضلية العصبية (NDEs) هي عائلات شائعة من نماذج التعلم العميق للبيانات السلسلية الزمنية، ولكل منها قواه الفريدة ومزاياه وتنازلاته في قوة النمذجة وكفاءة الحوسبة. نقدم نموذج سلسلة بسيط مستوحى من أنظمة التحكم يعمم هذه الأساليب مع معالجة نقاط ضعفها. تقوم طبقة الحالة المكانية الخطية (LSSL) بخريطة تسلسل $u \mapsto y$u↦y من خلال محاكاة تمثيل حالة مكانية مستمر بالزمن ببساطة $\dot{x} = Ax + Bu, y = Cx + Du$x˙=Ax+Bu,y=Cx+Du. نظرياً، نوضح أن نماذج LSSL ترتبط ارتباطاً وثيقاً بالعائلات الثلاث المذكورة أعلاه وتورث قواها. على سبيل المثال، فإنها تعمم التشابكات إلى الزمن المستمر، وتفسر الاجتهادات الشائعة لـ RNN، وتشارك في خصائص NDEs مثل تكيف مقياس الزمن. ثم ندمج ونعمم النظرية الحديثة حول الذاكرة المستمرة الزمنياً لتقديم مجموعة قابلة للتدريب من المصفوفات المنظمة $A$A التي تعطي LSSL ذاكرة بعيدة المدى. عملياً، فإن تجميع طبقات LSSL في شبكة عصبية عميقة بسيطة يحقق أفضل النتائج عبر مقاييس البيانات السلسلية الزمنية للاعتمادات الطويلة في تصنيف الصور المتسلسلة، ومهمات الانحدار الصحية الحقيقية، والكلام. في مهمة تصنيف الكلام الصعبة ذات التسلسلات الطولية 16000، يتفوق LSSL على الأساليب السابقة بمقدار 24 نقطة دقة، وحتى على القواعد الأساسية التي تستعمل الخصائص المصاغة يدوياً في تسلسلات أقصر بمئة مرة.