La simulación de circuitos se ha vuelto cada vez más significativa en el diseño de circuitos con el desarrollo de la integración a muy gran escala, y el análisis de corriente continua (CC), que sirve como base del análisis del comportamiento de circuitos, es la fundación para la simulación de circuitos electrónicos no lineales. Entre los varios algoritmos de continuación para el análisis de CC, los métodos de análisis pseudo-transitorio (PTA) han tenido un gran éxito. Sin embargo, el PTA tiende a ser computacionalmente intensivo sin un método adecuado de control de paso de tiempo. Para mejorar este problema, proponemos un nuevo método de control de paso de tiempo mejorado por el aprendizaje profundo avanzado en este documento. Específicamente, se introduce una estrategia de muestreo híbrida gruesa y fina para encontrar el paso de tiempo óptimo, que resuelve el problema de que el paso de tiempo óptimo no tiene una definición precisa en la teoría de PTA. Después de eso, una red de memoria a corto y largo plazo (LSTM), con la capacidad de procesar información temporal, puede ser empleada para aprender el método de control de paso de tiempo óptimo basado en la selección de características y una estrategia de preprocesamiento de datos de dos etapas, lo que acelera el análisis de CC. Además, el bosque aleatorio (RF) también se utiliza para evaluar la importancia de las características, lo que puede lograr la selección de características con dimensiones reducidas, acelerando así la velocidad de entrenamiento de la red y mejorando la precisión de la predicción. Los resultados experimentales demuestran una aceleración significativa: hasta 61.32 veces.