1. 序列預測介紹

序列預測就是根據過去的序列數據（比如時間順序的數據），預測未來的結果。

? 單步預測：只預測下一個時刻的值。比如根據前7天的氣溫，只預測第8天的氣溫。

? 多步預測的2種方式：

? 遞歸式：先預測下一個值，再把這個預測值當實際值，繼續預測后面的值。比如用前7天預測第8天，再用第5-8天（其中第8天是預測的）預測第9天。

? 直接式：一次性預測出未來多個值。比如根據前7天，直接同時預測第8、9、10天的氣溫。

2. 序列數據的處理：滑動窗口

把連續的序列數據切成一個個小片段（窗口），每個窗口包含固定數量的歷史數據，用來預測后面的值。
比如有數據[1,2,3,4,5,6]，窗口大小設為3，滑動步長1，就會得到窗口[1,2,3]預測4、[2,3,4]預測5、[3,4,5]預測6，這樣能把序列數據變成適合模型學習的樣本。

3. 多輸入多輸出任務的思路

指輸入是多個序列數據，同時要輸出多個序列結果。
思路是讓模型同時學習多個輸入和輸出之間的關系，比如用溫度、濕度、風速（多輸入）同時預測未來的溫度、降雨量（多輸出），模型在訓練時會綜合考慮所有輸入對所有輸出的影響。

4. 經典機器學習在序列任務上的劣勢（以隨機森林為例）

? 不擅長捕捉序列的時間依賴關系：隨機森林處理的是獨立樣本，無法理解數據的先后順序（比如今天的氣溫和昨天的關聯）。

? 固定輸入長度：需要用滑動窗口把序列切成固定長度的樣本，無法靈活處理不同長度的序列。

? 忽略長期依賴：對于間隔較遠的重要信息（比如上個月的 rainfall 影響這個月的作物生長），很難有效學習到。