El retraso troposférico zenital (ZTD) es un error atmosférico significativo que impacta el Sistema Global de Navegación por Satélite (GNSS). Desarrollar un modelo de pronóstico a largo plazo de alta precisión para el ZTD puede proporcionar valiosos conocimientos sobre las tendencias generales del ZTD predicho, lo cual es esencial para mejorar el posicionamiento GNSS y analizar los cambios en el clima regional y el vapor de agua. Para abordar los desafíos de la extracción incompleta de información y la explosión de gradientes en una sola red neuronal al pronosticar el ZTD a largo plazo, este estudio introduce un Modelo de Predicción Híbrido Informer-LSTM. Este modelo emplea una estrategia de aprendizaje en conjunto paralelo que combina las fortalezas de las redes Informer y LSTM para extraer características de los datos de ZTD. El modelo Informer es efectivo para capturar la periodicidad y las tendencias a largo plazo dentro de los datos de ZTD, mientras que el modelo LSTM sobresale en la comprensión de las dependencias a corto plazo y los cambios dinámicos. Al fusionar las características extraídas por ambos modelos, las capacidades de predicción de cada uno pueden complementarse, permitiendo un análisis más completo de las características presentes en los datos de ZTD. En nuestra investigación, utilizamos datos de ZTD derivados de ERA5 de 11 estaciones del Servicio Internacional de GNSS (IGS) en Europa para interpolar las porciones faltantes del ZTD derivado de GNSS. Luego empleamos estos datos interpolados de 2016 a 2020, junto con un Modelo de Predicción Híbrido Informer-LSTM, para desarrollar un modelo de predicción a largo plazo para el ZTD con una duración de predicción de un año. Nuestros resultados numéricos demuestran que el modelo propuesto supera a varios modelos comparativos, incluido el LSTM-Informer basado en un modelo de aprendizaje en conjunto en serie, así como los modelos empíricos de ZTD Informer, Transformer, LSTM y GPT3. Las métricas de rendimiento indican un error cuadrático medio (RMSE) de 1.91 cm, un error absoluto medio (MAE) de 1.45 cm, un error porcentual absoluto medio (MAPE) de 0.60 y un coeficiente de correlación (R) de 0.916. El análisis de distribución espacial de las métricas de precisión mostró que la precisión predictiva fue mayor en regiones de alta latitud en comparación con áreas de baja latitud, siendo las regiones interiores las que demostraron un mejor rendimiento que aquellas cercanas al océano. Este estudio introdujo una nueva metodología para el modelado de ZTD de alta precisión, lo cual es significativo para mejorar el posicionamiento GNSS preciso y detectar el contenido de vapor de agua.