输入是3个特征，也就是3个值，输出是段波形，长短不一，横坐标时序，纵坐标y值，要怎么建模才能预测，全连接肯定不行

针对这个问题，需要考虑使用序列建模技术，例如循环神经网络(RNN)或者卷积神经网络(CNN)。这是因为输出是一个波形，它包含了时序和y值，因此需要考虑上下文信息。对于这种情况，全连接网络的能力是有限的，因为它没有显式考虑时序信息。

RNN是一种可以考虑序列上下文信息的神经网络模型，它有很好的时序建模能力。在RNN中，前一个时间步的输出会作为当前时间步的输入。因此，RNN非常适合预测时序数据。针对这个问题，可以把输入作为一个序列，将输出定义为一个序列波形。

另外，CNN可以学习数据的空间关系，通常用于图像处理。在这个问题中，可以把输入数据看作一个二维矩阵，其中一个维度是时序，另一个维度是特征值。这种方法通常需要将数据进行一定的处理，例如将输入数据重塑成合适的形状，然后使用卷积神经网络对其进行建模。

总之，建议使用深度学习的序列建模技术，例如RNN或CNN来解决这个问题。具体选择哪种技术需要根据数据的特点和实际情况进行选择。

对于时序数据的建模，全连接网络的确不是最佳选择。一般来说，需要使用递归神经网络（RNN）或卷积神经网络（CNN）来处理时序数据。具体的模型选择也要根据数据的特点和应用场景来确定。

以下是一些常见的模型：

RNN模型：适用于输入和输出之间存在复杂时序关系的情况。其中，长短时记忆网络（LSTM）和门控循环单元（GRU）是常用的RNN变体。

CNN模型：适用于处理一维或二维时序数据，例如音频和图像。对于一维时序数据，可以使用一维卷积层，例如TCN（Temporal Convolutional Network）模型。对于二维时序数据，可以使用二维卷积层。

Transformer模型：适用于输入和输出之间存在长距离依赖关系的情况，例如自然语言处理中的机器翻译。Transformer模型不使用循环结构，而是使用自注意力机制来建模输入和输出之间的关系。

需要根据具体的数据和应用场景来选择合适的模型。同时，还需要进行特征工程和数据预处理，以使得模型能够更好地学习输入和输出之间的关系。