CNN_LSTM对于时间序列较好的参数，一些较好的案例

CNN_LSTM对于时间序列是一种有效的模型，但具体的参数设置取决于数据特征和问题复杂度。一般来说，增加网络的层数和隐藏单元数量可以提高模型的准确性，但过高的参数设置会导致过拟合。

至于较好的案例，CNN_LSTM模型已经在许多时间序列领域得到了广泛的应用，例如:

1. 股票预测：通过分析历史股票数据预测未来股价走势。

2. 天气预测：利用历史天气数据，预测未来天气情况。

3. 音乐生成：生成音乐序列，并能够生成具有特定风格和节奏的音乐。

以上只是模型的一些应用，具体参数设置还需要根据数据和问题具体情况来确定。