# 时序数据滑窗转换

# 1、作用

时序数据滑窗转换(sliding window transformation)用于将时间序列数据转为回归数据，简单地说，就是把一个单序列的数据变为$X\to Y$的回归数据。如下图所示，步阶为2代表2个$X$（步阶多少就有多少个$X$），简单地说，就是用第1，2天的数据预测第3天，用第2，3天的数据预测第4天，以此类推。此种形式的数据进行回归就是时间序列预测问题。

时序预测的用途非常的广泛，如气象降雨，交通流量，金融，商业公司的销售经营，医学上的药物反应，各类系统的运作负荷，等等方面都可以见到相关的应用场景。

现实应用中的时序场景很多时候都是海量序列，例如影响销量的除了历史销量，还可能有价格，促销，业绩目标，天气等等，而这也是传统时间序列不能实现的，除此之外，传统时间序列模型性能开销大，数据利用率和泛化能力较差，由此时序数据滑窗转换+机器学习是较为主流的时间序列分析方法。

# 2、输入输出描述

输入：一项定量变量。
输出：根据步阶划分的自变量和因变量。

# 3、案例示例

案例：现有一时间序列，尝试步阶=7来划分自变量和因变量。

# 4、案例数据

时序数据滑窗转换案例数据

# 5、案例操作

Step1：在“数据处理”模块新建处理；
Step2：上传文件；
Step3：选择对应数据打开后进行预览，确认无误后点击开始处理；

Step4：选择【时序数据滑窗转换】；
Step5：查看对应的数据数据格式，【时序数据滑窗转换】要求变量为定量变量，且只有一项
Step6：确认步阶参数，即确定以前多少个数据来对未来一个数据建立回归模型；
Step7：点击【开始处理】，完成全部操作。

# 6、输出结果分析

由于销售量是属于日度数据，那么每7天存在一个周期，所以可以设置那个步阶为7。那么Y就是因变量，而它对应的自变量就是前7个数据，分别为X1-X7，空行是因为凑不够前7天的数据作为自变量。当自变量和因变量划分好了之后，可以去建立回归模型。

注意在机器学习进行建模前，一定不能勾选数据填补，否则上面的空行会被填充。
（或者也可以提前对空行数据进行缺失值处理--整行删除操作）

# 7、注意事项

• 时序数据滑窗转换不支持对存在空值的变量进行处理，需要提前处理空值。

# 8、模型理论

在处理时间序列数据时，滑窗转换是一种常见且有效的预处理方法，能够提取数据中的局部模式和特征，有助于后续的分析和建模工作。

其分析步骤大致如下：

假设有一个时间序列数据：$x_1,x_2,x_3,...,x_n$。

如果设定窗口大小为$w$，滑动步长为$s$，则可以得到多个子序列：

• 窗口1：$x_1,x_2,..,x_w$
• 窗口2：$x_s,x_{s+1},...,x_{s+w-1}$
• 以此类推，直到序列末尾

需要注意的是，确定窗口大小和滑动步长时，需要考虑数据的周期性和特征的重要性。 ​

# 9、参考文献

[1] Scientific Platform Serving for Statistics Professional 2021. SPSSPRO. (Version 1.0.11)[Online Application Software]. Retrieved from https://www.spsspro.com.