时间序列预测核心在于数据准备、特征构造和模型对齐时间逻辑。需严格时间对齐（滑动窗口切片、TimeSeriesSplit交叉验证）、注入业务节奏的特征工程（时间特征、滚动统计、外部变量）、分层建模（ARIMA→XGBoost→TCN/Informer）及滚动评估（Rolling Forecast Origin、MASE、置信带）。
时间序列预测在机器学习项目中，核心不在于堆模型，而在于“数据怎么准备、特征怎么构造、模型怎么对齐时间逻辑”。跳过这三步直接套LSTM或Prophet，大概率跑不通或效果差。
一、时间对齐：确保每个样本有明确的“过去窗口”和“未来目标”
时间序列不是普通表格数据——它的顺序不能打乱，样本之间有严格时序依赖。关键操作是滑动窗口切片：
- 用固定长度（如前60个时间点）作为输入X，下一个点（第61个）或未来多点（61–65）作为y；
- 必须保证训练集、验证集、测试集按时间严格分段，不能随机切分，否则引入未来信息泄露；
- 推荐用TimeSeriesSplit（sklearn）做交叉验证，它按时间顺序分块，避免倒序污染。
二、特征工程：不止滞后项，还要注入业务节奏感
单纯加lag_1、lag_7太单薄。真实场景中，周期性、突变点、外部变量才是提升的关键：
- 基础时间特征：小时、星期几、是否节假日、是否月末——用pd.to_datetime().dt快速提取；
- 滚动统计：7天均值、14天标准差、30天最大值变化率——反映趋势与波动惯性；
- 外部变量对齐：比如天气数据、促销日历、上游系统延迟指标，务必按时间戳严格merge，缺失要插值或标记为NaN并显式处理。
三、模型选择与适配：别迷信深度学习，先跑通基线
从简单到复杂推进，每一步都可评估、可解释：
- 第一层：用ARIMA或ExponentialSmoothing跑通单变量基线，确认数据平稳性、季节性是否被识别；
- 第二层：用XGBoost/LightGBM建模（把滑动窗口特征当行），支持多变量+非线性，训练快、特征重要性直观；
- 第三层：仅当序列长（>1000）、模式高度非线性且GPU可用时，再上TCN或Informer类模型——注意输入必须归一化，且验证时要用multi-step rollout而非teacher-forcing。
四、评估与上线：用滚动预测代替单次快照
真实部署不是预测“下一点”，而是持续滚动预测。评估也要匹配这个逻辑：
- 用Rolling Forecast Origin方式评估：每次用截至t的数据训练，预测t+1，再加入真实t+1值，滑动更新；
- 指标选MAE+MAPE+MASE（尤其MASE，对量纲敏感型业务更公平）；
- 上线前加“预测置信带”：用分位数回归（LightGBM支持）或Monte Carlo dropout（LSTM），让业务方知道不确定性在哪。
基本上就这些。不复杂但容易忽略——真正卡住项目的，往往不是模型调参，而是时间切片没对齐、节假日特征没编码、或者测试集偷偷混入了未来数据。
