滑动窗口是将时序数据转为监督学习问题的基础方法：用过去n个时刻值预测未来1个或多个时刻值；如序列[100,120,110,130,140,135,150]取窗口大小3，得4个样本，每样本以连续3值为输入、后1值为标签；窗口大小需权衡模式学习与噪声干扰，宜结合周期性、自相关分析及验证集评估；多步预测可选多输出模型或递归滚动方式；预处理需注意缺失值填充、标准化及时间顺序划分。
滑动窗口是时间序列预测中最基础也最实用的建模策略，它把一维时序数据转换成监督学习问题，让回归模型（如线性回归、随机森林、LSTM）能直接使用。核心思想很简单：用过去 n 个时刻的观测值，预测未来第 1 个（或多个）时刻的值。
什么是滑动窗口？怎么构造样本？
假设你有一组按天记录的销量数据：[100, 120, 110, 130, 140, 135, 150]，窗口大小设为 3：
- 第1个样本：输入 [100, 120, 110] → 预测 130
- 第2个样本：输入 [120, 110, 130] → 预测 140
- 第3个样本：输入 [110, 130, 140] → 预测 135
- 第4个样本：输入 [130, 140, 135] → 预测 150
这就是“滑动”——每次往前挪一个时间步，截取固定长度的历史片段作为特征，紧邻的下一个值作标签。注意：原始序列长度为 N，窗口大小为 w，最终得到 N − w 条训练样本。
窗口大小怎么选？不是越大越好
窗口太小，模型学不到足够模式；太大，可能引入无关远期信息，还容易过拟合噪声。实际中建议从经验出发再微调：
立即学习“Python免费学习笔记（深入）”；
- 对日频数据（如销售、访问量），常见窗口为 7（周周期）、14、30（月趋势）
- 对小时级数据（如服务器负载），试 24（日周期）、48、72
- 用自相关图（
plot_acf）观察显著滞后阶数，窗口可略大于该阶数 - 在验证集上交叉验证不同窗口下的 MAE/RMSE，选稳定且泛化好的值
多步预测怎么做？直接输出 or 递归滚动？
预测未来 3 天，有两种主流方式：
-
多输出模型：每个样本标签不再是单个值，而是向量，如
[y_t+1, y_t+2, y_t+3]。适合 LSTM、MLP 等天然支持向量输出的模型 - 递归预测：训练单步模型，用预测值不断“喂回”窗口。例如预测完第1天，把它加入窗口末尾，滑动后预测第2天。简单但误差会累积
- 实践中可先用多输出做 baseline，再用递归+校准（如残差修正）提升长程稳定性
别忘了对齐与预处理细节
滑动窗口本身不解决数据质量问题，但会放大问题：
- 缺失值必须提前填充或插值，否则窗口内出现 NaN 会导致整条样本失效
- 强烈建议对输入做标准化（如
StandardScaler），尤其当特征含不同量纲（如温度+销量）时 - 若目标变量波动剧烈，可先做对数变换或 Box-Cox 再建模，预测后再逆变换
- 测试集划分要严格按时间顺序——不能随机打乱，也不能用未来数据“窥探”过去
基本上就这些。滑动窗口不复杂但容易忽略细节，真正影响效果的往往不是模型多先进，而是窗口设计是否贴合业务节奏、数据是否对齐真实依赖关系。
