重温：时间窗口与滑动步长的概念

---

核心概念

1. 窗口大小（Window Size）

   • 定义窗口包含的时间步数（如过去7天、24小时等）。
   • 例如，窗口大小为5时，每个窗口包含连续的5个时间点数据。

2. 滑动步长（Step/Stride）

   • 窗口每次向前移动的时间步数。步长为1表示窗口每次移动一个时间单位；步长大于1时，窗口跳跃式移动。

3. 窗口方向

   • 前向窗口：从历史到当前时间（用于预测未来）。
   • 后向窗口：从当前时间到历史（用于分析过去模式）。

---

典型应用场景

1. 特征工程

   • 在窗口内计算统计量（均值、标准差、最大值、最小值等），作为模型的输入特征。
   • 示例：用过去30天的平均销售额预测未来一周的销售额。

2. 时间序列预测

   • 将窗口内的历史数据作为输入（X），窗口后的未来数据作为输出（Y），构建监督学习数据集。
   • 例如：用过去10天的温度预测第11天的温度。

3. 异常检测

   • 通过窗口内的数据分布（如移动平均、标准差）识别突变点或异常值。

4. 平滑处理

   • 使用移动平均（Moving Average）或指数平滑（Exponential Smoothing）消除噪声。

---

实现示例（Python）

假设有一个时间序列数据 [1, 2, 3, 4, 5, 6, 7, 8]，窗口大小为3，步长为1：

def sliding_window(sequence, window_size, step=1):
    windows = []
    for i in range(0, len(sequence) - window_size + 1, step):
        windows.append(sequence[i:i+window_size])
    return windows

data = [1, 2, 3, 4, 5, 6, 7, 8]
windows = sliding_window(data, window_size=3, step=1)

# 输出结果：
# [[1, 2, 3], [2, 3, 4], [3, 4, 5], [4, 5, 6], [5, 6, 7], [6, 7, 8]]

---

工具库支持

• Pandas：DataFrame.rolling() 实现滚动计算。

  import pandas as pd
  df = pd.DataFrame({'value': [1, 2, 3, 4, 5]})
  df['rolling_mean'] = df['value'].rolling(window=3).mean()
  

• NumPy：通过 np.lib.stride_tricks.sliding_window_view 快速生成滑动窗口视图（需NumPy 1.20+）。

---

注意事项

1. 窗口大小选择

   • 太小：可能捕捉不到长期趋势，对噪声敏感。
   • 太大：可能导致滞后，丢失细节信息。

2. 数据泄漏

   • 在预测任务中，需确保窗口内不包含未来信息（验证时需严格划分训练集和测试集）。

3. 边界处理

   • 初始窗口可能不足长度时，可选择填充（padding）或忽略。

---