处理时序数据方面展现出了巨大的潜力。Transfonner凭借其自注意力机制，在

捕捉长距离依赖方面表现出了显著优势，而LSTM则擅长处理具有时间依赖关系

的序列数据。然而，这两种模型各自存在一定的局限性，Transformer模型通常

对局部信息的捕捉能力较弱，而LSTM虽然能够捕捉长时间序列中的依赖关系，

但在面对长时间跨度时可能出现梯度消失或爆炸的问题。

为了解决这些问题，近年来出现了诸如Transformer-LSTM组合模型创新性方

法，将两者的优点结合，以提高模型的泛化能力和预测精度。然而，尽管

Transformer-LSTM组合模型在多变量回归预