模型整体结构
这是一个时序预测模型，结合了时序卷积网络（TCN）和长短时记忆网络（LSTM）的优势，用于处理时间序列数据。整体结构分为三部分：
TCN 层：提取输入序列的局部与长期依赖特征。
LSTM 层：进一步捕捉序列中的时序动态与长期依赖。
输出层：生成最终的预测结果。
各层详细说明
- TCN 层
由多个 TCN Block 堆叠而成。
每个 TCN Block 包含 扩张卷积（Dilated Convolution），允许模型以指数级扩张的感受野捕捉长期依赖，而无需过多层数。
TCN 的优势：
并行计算，训练速度快。
可控制感受野大小，适合长序列。
避免梯度消失问题。
- LSTM 层
由多个 LSTM Cell 组成。
每个 LSTM Cell 接收 TCN 层的输出，并传递隐状态（Hidden State）给下一时刻。
LSTM 的优势：
适合建模序列中的时序动态。
能够记住长期信息，适用于具有复杂时间依赖的任务。
- 输出层
通常是全连接层（Dense Layer），将 LSTM 的最终输出映射到预测目标维度（如单步或多步预测）。
数据流向
输入序列 → TCN 层：提取高层次时序特征。
TCN 输出 → LSTM 层：进一步建模时序依赖。
LSTM 输出 → 输出层 → 预测结果。
TCN-LSTM 混合模型的优势
TCN：高效提取局部与长期特征，感受野大。
LSTM：强时序建模能力，适合动态系统。