滚动预测是一种动态的时间序列预测方法，其中模型随着新数据的可用而定期更新。 与产生一次预测并保持固定的静态预测不同，滚动预测调整训练窗口以包含最新数据，同时删除旧数据点。 这创建了一个不断发展的模型，可以适应最近的趋势、季节性或数据变化。 例如，一家零售公司可能会使用滚动 12 个月窗口来预测下个月的销售额。 每个月，他们都会添加最新的销售数据，并从训练集中删除最旧的月份，以确保模型反映当前的消费者行为。
实施滚动预测通常涉及定义两个参数：训练窗口大小（使用多少历史数据）和预测范围（预测多远）。 开发人员可能会使用 Python 中的 statsmodels 等库来自动化此过程。 例如，ARIMA 模型可以每周使用 30 天的窗口进行重新训练，以预测接下来的 7 天。 代码可能涉及循环遍历时间步长、更新数据集和重新拟合模型。 但是，频繁的重新训练可能在计算上成本高昂，特别是对于大型数据集。 诸如增量训练（更新模型参数而不是从头开始重新训练）或并行处理之类的技术可能有助于缓解这种情况。
滚动预测的主要优点是它们对不断变化的模式的响应能力，这在股票价格或能源需求等领域至关重要。 但是，它们需要强大的数据管道来确保及时更新和仔细调整窗口大小。 太短的窗口可能会过度拟合噪声，而太长的窗口可能会错过最近的趋势。 例如，使用 14 天滚动窗口的天气预报模型可以比固定的年度模型更好地适应突发的季节性变化。 开发人员在设计此类系统时，应平衡适应性和稳定性，针对历史数据测试不同的配置以验证性能。