4. 时间序列与窗口机制

在构建研究数据集时，标签窗口与特征窗口的对齐问题，本质上是一个时间序列切分问题。无论你处理的是金融行情、工业传感器、医疗监护还是用户行为日志，数据都带有时间戳，而模型需要的往往是"某个时间点之前的一段信息"与"该时间点之后的一段结果"。如何切分这段信息与结果，取决于窗口机制的选择。本节将系统梳理滑动窗口、扩展窗口、滚动窗口三种核心机制，并讨论采样频率与时间粒度对窗口对齐的深层影响。

一、核心原理：窗口是时间轴上的取景框

时间序列可以看作一条按时间顺序排列的观测序列 x(t)。窗口机制的本质，是在这条时间轴上放置两个"取景框"：一个用于截取特征（过去的信息），一个用于截取标签（未来的结果）。两个取景框的相对位置、宽度和移动方式，决定了样本的构造方式。

理解窗口需要抓住三个参数：窗口长度（取多长的一段数据）、步长（每次向前移动多少）、预测跨度（特征窗口结束到标签窗口开始之间的间隔）。这三个参数共同决定了样本数量、样本之间的重叠程度，以及是否存在信息泄漏。

二、三种窗口机制的对比

滑动窗口（Sliding Window）保持窗口长度固定，每次按固定步长向前滑动。这是最常用的机制，适合特征分布相对稳定的场景。它的优点是每个样本的特征维度一致，便于批量训练；缺点是当数据存在长期趋势时，固定长度可能截断重要的历史依赖。

扩展窗口（Expanding Window）保持起点固定，终点不断向前延伸，窗口长度逐渐增大。它适合"历史信息越多越好"的场景，例如累积统计、在线学习。缺点是后期样本的特征维度远大于早期样本，若不做归一化或截断，会导致模型难以处理。

滚动窗口（Rolling Window）与滑动窗口类似，但强调窗口在时间轴上"滚动"时对窗口内数据做聚合或统计（如均值、方差、最大值），常用于构造滚动特征。它与滑动窗口的区别在于：滑动窗口关注"取一段原始序列"，滚动窗口关注"对一段序列做滚动计算"。

三、采样频率与时间粒度：窗口对齐的隐形变量

很多对齐错误并非来自窗口长度设置，而是来自采样频率与时间粒度不匹配。采样频率指数据被记录的间隔（如每秒一次、每分钟一次），时间粒度指分析时使用的最小时间单位（如按小时聚合、按天聚合）。

当特征与标签来自不同采样频率的数据源时，必须先统一到同一时间粒度，再切分窗口。例如，传感器每秒上报一次温度，而标签是每小时的设备故障标记。若直接在秒级数据上切窗口，标签窗口会跨越大量特征窗口，导致一个标签对应多个特征样本，产生重复计数。

四、案例：工业设备故障预测中的窗口对齐

假设某工厂采集设备振动信号，采样频率为 10Hz，标签为"未来 30 分钟内是否发生故障"。若特征窗口设为 5 分钟，标签窗口设为 30 分钟，预测跨度为 0，则每个样本需要 3000 个振动点作为特征，18000 个点作为标签区间。

采样频率: 10 Hz
特征窗口: 5 min  = 300 s = 3000 点
标签窗口: 30 min = 1800 s = 18000 点
预测跨度: 0
步长: 1 min = 600 点

样本 i 的特征区间: [t_i, t_i + 300s)
样本 i 的标签区间: [t_i + 300s, t_i + 2100s)

此时若步长设为 1 分钟，相邻样本的特征窗口重叠 4 分钟，标签窗口重叠 29 分钟。这种高重叠会带来两个问题：一是训练集与验证集若按时间随机划分，会造成严重信息泄漏；二是正负样本比例被重叠放大，模型可能记住的是"同一段故障"而非真正的早期征兆。

五、方法流程与复盘要点

1. 确定预测目标的时间粒度：标签是秒级、分钟级还是天级，决定窗口的最小单位。
2. 统一特征与标签的采样频率：对高频数据做降采样或聚合，对低频数据做插值或前向填充。
3. 选择窗口机制：分布稳定用滑动窗口，需要累积历史用扩展窗口，需要滚动统计量用滚动窗口。
4. 设置步长与预测跨度：步长决定样本重叠度，预测跨度决定特征与标签之间的"安全距离"。
5. 按时间切分数据集：训练、验证、测试按时间先后划分，再各自切窗口。
6. 检查对齐：随机抽取样本，核对特征区间结束时间是否早于标签区间开始时间。

窗口机制的选择没有绝对优劣，关键在于它是否与你的预测问题和数据特性匹配。滑动窗口适合大多数常规场景，扩展窗口适合在线累积，滚动窗口适合构造统计特征。而采样频率与时间粒度的统一，是所有这些机制能够正确对齐的前提。把这三件事做扎实，标签窗口与特征窗口的对齐问题就解决了一大半。