针对现有时序预测方法在曲率突变区和高波动区间预测性能退化问题，提出了一种融合时间卷积网络（temporal convolutional network，简称TCN）与双向长短期记忆（bidirectional long short-term memory，简称BiLSTM）网络的误差预测方法，并引入基于不确定性约束的嵌入空间误差自校正机制（uncertainty-aware embedding-space error rectification，简称UEER）。首先，利用TCN的膨胀卷积结构提取加工序列的多尺度局部时序特征，增强模型对高频波动与局部突变的表征能力；其次，引入BiLSTM建模轮廓误差的双向长期时间依赖关系，提升整体趋势拟合精度；最后，构建基于嵌入空间相似样本与不确定性约束的误差校正机制，通过蒙特卡洛量化预测不确定性，在嵌入空间检索相似历史样本，并利用其残差信息对预测结果进行加权校正，抑制高不确定性区域的预测偏移。为了说明本研究方法的优势，设计了包括卷积神经网络（convolutional neural network，简称CNN）、长短期记忆（long short-term memory，简称LSTM）神经网络和门控循环单元（gated recurrent unit，简称GRU）在内的复合对比模型。基于实际数控凸轮磨削数据的对比实验与消融实验结果表明：所提出方法在轮廓误差预测任务上的均方根误差（root mean squared error，简称RMSE）、平均绝对误差（mean absolute error，简称MAE）以及决定系数R2均优于对比模型；引入UEER 校正后，模型预测性能和稳定性得到进一步提升。