滚动预测必须用tf.data.Dataset构建滑动窗口，禁用numpy切片；需手动实现自回归闭环推理，而非依赖return_sequences或stateful=True；务必用@tf.function封装并确保全TensorFlow操作。
滚动预测必须用 tf.data.Dataset.from_tensor_slices 构建滑动窗口
直接用 numpy 切片做滚动训练在 TensorFlow 中会断开梯度流，且无法高效批处理。正确做法是用 tf.data 的 window + flat_map 组合生成带标签的时序样本。
常见错误是把整个序列喂给模型再用 model.predict 循环调用——这不叫滚动预测，只是单步推理，没利用历史预测值更新输入。
-
sequence_length是输入长度（如过去 24 小时），forecast_horizon是要预测的步数（如未来 1 小时），两者需明确分离 - 用
dataset.window(size=sequence_length + forecast_horizon, shift=1, drop_remainder=True)确保每个窗口完整覆盖输入+目标 - 每个窗口再用
flat_map拆成(x, y)对：取前sequence_length步为x，后forecast_horizon步为y
model.predict 后必须手动拼接并重嵌入输入才能实现真滚动
滚动预测的核心在于“用模型自己的输出作为下一步的输入”，而不是反复用原始真实值。TensorFlow 模型默认不支持这种自回归闭环，得自己写循环逻辑。
典型陷阱是误以为设置 return_sequences=True 就等于滚动——那只是对单次输入输出多个时间步，不是多步滚动推理。
立即学习“Python免费学习笔记（深入）”；
- 初始化输入
current_input为最后一段真实观测（shape:(1, seq_len, features)） - 循环
n_steps次：pred = model(current_input)→ 取最后一步预测pred[-1:]→ 拼到current_input末尾 → 截掉最前一步，保持长度不变 - 若模型输入含多变量，注意只滚动目标变量（如温度），其余协变量（如时间戳、湿度）需同步提供未来值或做合理填充
LSTM/GRU 层的 stateful=True 在滚动预测中基本没用
很多人以为开启 stateful=True 就能自动维持隐藏状态用于滚动，实际它只在 batch 内部维持状态，且要求固定 batch size 和严格顺序，和滚动预测所需的“跨推理步状态延续”不是一回事。
真正需要的是显式管理状态：比如用 tf.keras.layers.RNN 配合 return_state=True，手动传入上一步的 h 和 c（LSTM）。
-
stateful=True适合长序列分段训练，不适合滚动推理场景 - 滚动预测中，每步输入是标量或短向量，RNN 状态本身意义不大；更关键的是输入数据的时序一致性
- 如果硬要用 stateful，必须调用
model.reset_states()在每次新滚动开始前清空，否则状态污染会导致结果漂移
验证滚动效果必须用 tf.function 包裹推理循环
纯 Python 循环调用 model() 会触发 Eager Execution，速度慢且无法导出为 SavedModel。真实部署时滚动预测必须可追踪（traceable）。
容易忽略的一点：循环中所有张量操作（如 tf.concat、tf.slice）都得是 TensorFlow 原生操作，不能混用 numpy 或 Python list。
- 用
@tf.function(input_signature=[...])显式声明输入签名，尤其是动态长度维度要用tf.TensorSpec(shape=[None, ...], dtype=tf.float32) - 避免在循环里创建新变量；所有中间状态（如滚动 buffer）应作为参数传入或用
tf.Variable初始化 - 调试时先关掉
@tf.function看逻辑是否正确，再开启——否则报错信息极难定位
