P3-5.3 即使有原始时间序列，为什么也不能立刻称它为学习输入¶

Section ID: P3-5.3 Version: v2026.07.20

看到原始时间序列时，很多读者会立刻这样想：数值也很多，顺序也在，那直接把它送进学习输入不就行了吗？ 但这里应该先停一下。因为仅仅“有一条原始时间序列”这件事，并不能立刻说明 可以直接用于学习的输入已经准备好了。

原始时间序列虽然信息很多，但 什么算一条样本、多长的一段应被看成一个输入、我们究竟想预测什么，这些都可能还没有定下来。学习输入不是原始数据的另一个名字，而是一个按照问题边界整理出来的输入结构。所以，这一节最先要抓住的区分是：有原始时间序列 和 学习输入已经准备好，不是同一句话。

先最短地分开来看，就是下面这样。

也就是说，有原始时间序列 并不等于 学习输入已经准备好。

为什么“原样放进去”这个想法显得很快¶

觉得原始时间序列可以直接放进去，往往有三个原因。

但这三点，其实都是把 输入结构的定义 和 表示学习 混在一起读时产生的错觉。

要把原始时间序列真正变成一个输入结构，至少要先有下面这些决定。

例如，同一条原始时间序列，就可以被改造成完全不同的输入结构。

也就是说，原始时间序列不会天然指向某一种模型。问题怎么设，它就可能被重新做成完全不同的输入结构。即使面对同一份记录，动作汇总向量、区段序列、近期聚合输入 里哪一种更该先出现，也是由问题决定的。

这里常见的误解是：反正后面会看时间序列模型，那汇总表或区段表示就没那么重要。 但汇总表和中间表示并不只是临时过渡物，它们至少因为下面三点，仍然很重要。

所以，有原始时间序列，并不会让汇总表变得不需要。因为有些问题就是先在汇总表里读得更直接，而有些问题则可能在后面再进一步转向更长的输入结构。

假设一次动作中有 300 个时点记录。

也就是说，正确顺序不是 有原始时间序列 -> 它立刻就是学习输入，而是 有原始时间序列 -> 先决定要把它变成什么输入结构。

这一节最核心的顺序，是事情不会停在 已有原始时间序列 这里。只有先定好样本边界、区间/长度规则和目标标签，最后才谈得上选择 输入结构。

flowchart TD
    R[已有原始时间序列]
    S[先定样本边界]
    G[再定区间与长度规则]
    L[再定目标标签]
    I[最后选输入结构]

    R --> S --> G --> L --> I

这一节要抓住的重点，不是模型种类，而是在把原始时间序列直接叫做输入之前，应该先把样本边界、区间标准和目标结构定下来。所以，说原始时间序列还不是学习输入，与其说是 数据还不够，不如说更接近 输入结构的边界和目的还没有被明确说明。

Google for Developers, Machine Learning Glossary 中的 labeled example。因为 example 是一个把特征和标签一起定义出来的结构，所以它支持这一点：在把原始时间序列称为输入之前，应该先固定单个样本的边界和结果列。 https://developers.google.com/machine-learning/glossary / 确认日期: 2026-07-20
Google for Developers, Machine Learning Glossary 中的 label leakage。它说明当特征变成标签代理时会出现设计缺陷，因此强化了这一点：如果不先固定输入结构和目标结构，就可能把原始时间序列的一部分错误地直接当作输入送进去。 https://developers.google.com/machine-learning/glossary / 确认日期: 2026-07-20
W3C, PROV-Overview. provenance framework 说明对象识别、派生关系和可复现性应得到支持，因此它强化了一个上位框架：输入长度和区间规则本身，也应作为一种可复现的结构设计被留下来。 https://www.w3.org/TR/prov-overview/ / 确认日期: 2026-07-20