1. 序列预测介绍

序列预测就是根据过去的序列数据（比如时间顺序的数据），预测未来的结果。

• 单步预测：只预测下一个时刻的值。比如根据前7天的气温，只预测第8天的气温。

• 多步预测的2种方式：

◦ 递归式：先预测下一个值，再把这个预测值当实际值，继续预测后面的值。比如用前7天预测第8天，再用第5-8天（其中第8天是预测的）预测第9天。

◦ 直接式：一次性预测出未来多个值。比如根据前7天，直接同时预测第8、9、10天的气温。

2. 序列数据的处理：滑动窗口

把连续的序列数据切成一个个小片段（窗口），每个窗口包含固定数量的历史数据，用来预测后面的值。
比如有数据[1,2,3,4,5,6]，窗口大小设为3，滑动步长1，就会得到窗口[1,2,3]预测4、[2,3,4]预测5、[3,4,5]预测6，这样能把序列数据变成适合模型学习的样本。

3. 多输入多输出任务的思路

指输入是多个序列数据，同时要输出多个序列结果。
思路是让模型同时学习多个输入和输出之间的关系，比如用温度、湿度、风速（多输入）同时预测未来的温度、降雨量（多输出），模型在训练时会综合考虑所有输入对所有输出的影响。

4. 经典机器学习在序列任务上的劣势（以随机森林为例）

• 不擅长捕捉序列的时间依赖关系：随机森林处理的是独立样本，无法理解数据的先后顺序（比如今天的气温和昨天的关联）。

• 固定输入长度：需要用滑动窗口把序列切成固定长度的样本，无法灵活处理不同长度的序列。

• 忽略长期依赖：对于间隔较远的重要信息（比如上个月的 rainfall 影响这个月的作物生长），很难有效学习到。