已有多元时序数据，已经滑动窗口切割完并且划分了测试集和训练集，时间步长为50，特征数为10，现在想用Keras库创建CNN-LSTM模型进行单步预测，其中CNN中用一维卷积提取变量的空间特征，LSTM模型进行单步预测

对于已准备好的多元时序数据，通过滑动窗口法将其划分为训练集和测试集，并确定了时间步长为50，特征数为10，你可以采用Keras库构建一个结合了一维卷积层（Conv1D）用于空间特征提取和长短时记忆网络（LSTM）用于时间序列建模的深度学习模型。以下是构建这样一个CNN-LSTM模型的基本步骤：

1. 导入所需库：

import numpy as np
from keras.models import Sequential
from keras.layers import Conv1D, LSTM, Dense, Dropout

2. 定义模型结构：

model = Sequential()

3. 添加一层一维卷积层（假设滤波器数量为32，卷积核大小为3，激活函数选relu等）：

model.add(Conv1D(filters=32, kernel_size=3, activation='relu', input_shape=(None, 10)))

4. 添加MaxPooling1D层，减小特征维度并保留关键信息：

model.add(MaxPooling1D(pool_size=2))

5. 将数据转换为适合LSTM的形式（padding='causal'确保前向传播不会影响当前时间步的预测）：

model.add(LSTM(units=64, return_sequences=True, padding='causal'))

6. 可能需要加入Dropout防止过拟合：

model.add(Dropout(0.2))

7. 添加另一个LSTM层，如果需要更深的层次结构：

model.add(LSTM(units=32, return_sequences=False))

8. 输出层，使用Dense层进行单步预测，输出节点数应等于目标变量的数量（如果你的目标是一个数值）：

model.add(Dense(units=1, activation='linear'))

9. 编译模型，选择合适的损失函数（如均方误差MSE）、优化器（如Adam）和评估指标（如mae）：

model.compile(loss='mse', optimizer='adam', metrics=['mae'])

10. 训练模型，传入训练数据和对应的标签（形状应该是(batch_size, timesteps, features)）：

model.fit(X_train, y_train, epochs=50, batch_size=32, validation_data=(X_test, y_test))