时间序列预测中的滑动窗口方法是一种将序列数据结构化为固定长度输入-输出对以训练模型的技术。该方法不将整个时间序列视为一个单一序列，而是创建较小的、重叠的过去观测（输入）和相应未来值（目标）窗口。例如，如果使用 7 天的窗口大小，每个输入可能包含第 1-7 天的数据，目标可以是第 8 天的值。然后，窗口向前“滑动”一个时间步长，因此下一个输入包括第 2-8 天的数据，目标是第 9 天。这种方法将原始时间序列数据转换为监督学习格式，使其与线性回归、决策树或神经网络等算法兼容。
滑动窗口方法的一个关键方面是其在配置窗口大小和预测范围方面的灵活性。窗口大小决定了模型用于进行预测的历史数据量。例如，一个天气预报模型可能会使用一个 3 天的窗口（温度、湿度等）来预测下一天的温度。开发者还可以调整预测范围——要预测的未来步数。如果模型需要预测未来 3 天，目标将变成一个包含三个值的向量，而不是单个值。此外，步长（窗口移动的量）通常设置为 1 以最大化训练样本，但更大的步长会减少重叠，这有助于减少具有高时间相关性数据中的冗余。
实际实现涉及权衡。过小的窗口可能会遗漏长期趋势（例如，月度销售模式），而过大的窗口可能会引入噪声或计算开销。例如，一个使用 30 天窗口的零售销售模型可能会捕捉到每周季节性，但难以应对每日峰值。归一化或处理缺失数据等预处理步骤通常在每个窗口内应用。Python 中的 Pandas 等库使用诸如 shift() 或 rolling() 的方法简化了窗口创建。当使用 LSTM 等神经网络时，滑动窗口结构与其序列处理能力对齐——每个窗口都成为一个序列输入。这种方法的简单性和适应性使其成为时间序列任务的基础工具，从股票价格预测到能源负荷预测。