我正在使用窗口方法进行时间序列预测，但我很难理解如何进行样本外的预测。 以下是代码：
def windowed_dataset(series, window_size, batch_size, shuffle_buffer):
dataset = tf.data.Dataset.from_tensor_slices(series)
dataset = dataset.window(window_size + 1, shift=1, drop_remainder=True)
dataset = dataset.flat_map(lambda window: window.batch(window_size + 1))
dataset = dataset.shuffle(shuffle_buffer).map(lambda window: (window[:-1], window[-1]))
dataset = dataset.batch(batch_size).prefetch(1)
return dataset
dataset = windowed_dataset(x_train, window_size, batch_size, shuffle_buffer_size)
windowed_dataset函数将单变量时间序列series拆分成矩阵。想象一下，我们有一个如下的数据集：
dataset = tf.data.Dataset.range(10)
for val in dataset:
print(val.numpy())
0
1
2
3
4
5
6
7
8
9
windowed_dataset 函数将 series 转换为窗口，左侧包含 x 个特征，右侧包含 y 个标签。
[2 3 4 5] [6]
[4 5 6 7] [8]
[3 4 5 6] [7]
[1 2 3 4] [5]
[5 6 7 8] [9]
[0 1 2 3] [4]
在下一步中，我们按照以下方式在训练
数据集上实现神经网络模型：model = tf.keras.models.Sequential([
tf.keras.layers.Dense(10, input_shape=[window_size], activation="relu"),
tf.keras.layers.Dense(10, activation="relu"),
tf.keras.layers.Dense(1)
])
model.compile(loss="mse", optimizer=tf.keras.optimizers.SGD(lr=1e-6, momentum=0.9))
model.fit(dataset,epochs=100,verbose=0)
到目前为止，我对代码感到满意。但是，我很难理解下面展示的样本外预测：
forecast = []
for time in range(len(series) - window_size):
forecast.append(model.predict(series[time:time + window_size][np.newaxis]))
forecast = forecast[split_time-window_size:]
请问为什么我们在这里使用循环语句
time in range(len(series) - window_size)？而不直接在验证集上使用 model.predict(dataset_validation) 和训练集上使用 model.predict(dataset)？我不理解为什么需要使用
for 循环，因为这不是滚动预测，我们也没有重新训练模型。请问有人能解释一下吗？虽然我理解数据科学社区以这种方式构建
dataset 的原因，但我个人认为，将 X 和 y 拆分并按照以下方式进行 model.fit 更加清晰，model.fit(X,y,epochs=100,verbose=0)，并且按照以下方式进行预测 model.predict(X)。