符号序列关注内容如何继续
位置主要表达先后关系；一个片段通常由符号及其上下文构成，语义合理性是理解连续内容的重要依据。
Core View
先理解数据，再讨论预测
本页只讨论时间序列数据本身、样本如何构成，以及信息边界如何确定。
时间序列是动态系统随时间演化后形成的测量记录。每个数值都属于一个对象、一个时刻、一种尺度和一组观测条件。
测量序列关注系统如何演化
时间戳、间隔、单位、观测对象和外部条件都会改变数值的含义。时间序列不是文本的数字版，它记录的是谁、何时、以什么尺度、在什么条件下发生了什么。
真实系统
对象内部的状态、外部情境、运行行动与未知扰动共同推动系统持续演化。
单条记录
观测过程把系统状态投影为带有对象、数值、时间、频率、情境和质量标记的数据。
预测样本
围绕一个预测时点，将当时可用的历史与情境组织成输入，并把之后发生的未来作为答案。
System & Observation
时间序列是复杂系统留下的动态轨迹
许多真实系统无法被直接、完整地观察。我们得到的时间序列，是系统运行过程中持续留下的局部观测。
负荷曲线，以及供需平衡随时间形成的变化轨迹。
径流与水位随降雨、汇流和调度共同变化。
温度、降雨与风速等连续或事件型观测。
光伏与风电功率对天气和运行条件的动态响应。
交通流量在通勤、事件和道路状态影响下的演化。
设备传感器信号对运行、磨损与故障状态的记录。
价格、交易量与需求变化对市场状态和人类行为的反映。
这些序列不是系统本身，而是系统的可观测投影。
它们由内部状态、外部扰动、运行机制与人类行为共同作用后产生；同一条曲线背后，可能对应不同的系统状态和形成原因。
系统如何演化，又如何被我们看到
Ct外部情境
At运行与决策行动
εt未观测扰动
当前潜在状态St
演化机制 F →
下一时刻状态St+1
观测映射 G 与观测噪声 ηtXt
一个简洁的概念表达
St+1 = F(St, Ct, At, εt)
Xt = G(St) + ηt
εt 表示系统演化中未被完整记录的扰动，ηt 表示测量过程中的噪声或误差。
- St复杂系统内部的潜在状态
- Ct天气、政策、环境与事件等外部情境
- At系统运行者或决策者采取的行动
- Xt实际能够观测到的时间序列
- F系统真实但通常未知的演化机制
- G从系统状态到观测数据的映射
我们看到的 Xt 并不是系统本身，而是系统的一个动态接口。
时间序列是连接人工智能模型与真实复杂系统的动态观测通道。分析时间序列，是借助可见轨迹反向认识系统的状态、结构、机制、变化与未来。
Record Anatomy
一条时序记录由什么构成
一行数据不应只有“时间 + 数值”。完整记录还要说明它从哪里来、如何被测量，以及能否被信任。
对象合肥站点 A
数值光伏功率 6.8 MW
时间08-16 14:00
采样15 分钟平均
情境晴 · 35°C
状态有效 · 已校验
观测对象
明确数值属于哪个人、设备、区域、站点、流域或业务单元。对象变化，往往意味着生成过程和可比较范围也随之变化。
数值、类型与单位
记录实值、计数、事件或状态，并保留单位、量纲、精度和量程。6.8 MW 与 6.8 kW 不是同一种观测。
时间坐标
包含时间戳、时区与日历语义。相同数值出现在工作日午后、周末凌晨或节假日，含义可能完全不同。
采样规则
说明采样间隔、频率、聚合方式和是否规则采样。瞬时值、15 分钟平均值与日累计值不能直接混为一列。
关联变量与情境
保存与目标同步的天气、日历、操作、事件和邻近对象信息，并注明这些信息是在何时、以何种来源获得的。
数据质量与状态
标记缺失、异常、插补、传感器故障、修订版本与运行状态。没有质量标记的“干净数值”可能掩盖真实观测过程。
关键理解：数值只有放回对象、时间、尺度、情境和观测条件中才具有完整意义；同一列数值并不自动构成同一种时间序列数据。
Sample Anatomy
一个预测样本由什么构成
预测样本不是从长序列中随意截取的一段数，而是在某个真实预测时点上，重新封装一次“当时已知什么、未来要判断什么”。
一次完整预测样本
对象 + 时点 + 输入 + 未来答案 + 身份
- 预测对象
要判断哪一个实体、通道或指标的未来。
- 预测时点
模拟“现在”的时间切口，也是所有信息可用性的判断基准。
- 历史窗口
截至预测时点能够看到的目标历史、相关变量和状态记录。
- 未来范围
从何时开始、向前多远、以什么频率给出未来结果。
- 当时可用的信息
预测时已经发布的日历、计划、预报、事件与其他情境。
- 未来真实结果
预测发生后才观测到的答案，只用于回看与评价。
- 样本身份
实体编号、时间区间、数据版本、场景标签，以及所属训练、验证或测试阶段。
输入边界
在预测时点以前真实可见的历史记录，以及当时已经确定或已经发布的信息。
答案边界
预测时点之后逐步发生的真实未来。它是样本答案，不能反过来进入本次预测的输入。
Information Boundary
判断信息能否进入样本，要看三种时间
“事情何时发生”与“我们何时知道”并不总是相同。样本必须还原预测发生当时的信息状态。
发生时间
观测、事件或状态在现实系统中真正出现的时间，例如降雨开始、设备停机或政策生效的时刻。
可获得时间
数据或消息实际进入预测者视野的时间。延迟上报、事后修订和晚到数据都可能使它晚于发生时间。
预测时点
样本模拟的决策现在。只有在这一刻已经可获得的信息，才属于本次样本的真实输入。
边界原则：即使一条信息描述的是早已发生的事情，只要它在预测时点之后才获得，就不能作为这个样本的输入。否则，离线数据会比真实预测拥有更多“事后知识”。
Rolling Samples
一条长序列如何形成多个样本
沿时间轴移动预测时点，可以得到多个历史—未来配对；每移动一次，样本的“现在”以及可用信息都要同步更新。
样本 A · 周一 12:00
080910111213
已知历史待预测未来
以周一中午为预测时点，未来两段记录属于答案。
样本 B · 周一 13:00
091011121314
已知历史待预测未来
向前移动一小时后，12:00 的真实记录进入历史，信息状态随之改变。
样本 C · 周一 14:00
101112131415
已知历史待预测未来
再次移动后形成新样本，但它与前两个样本共享了大量历史记录。
不能只看窗口数量：滚动切片可以生成很多样本，但相邻窗口高度重叠，并不等于获得了同样多份彼此独立的新证据。
Sample Organization
样本质量比样本数量更重要
好的样本集既要尊重时间顺序，也要保留实体差异、真实数据质量和稀有状态。
过去训练，未来检验
按时间顺序划分训练、验证与测试阶段，避免未来时期的状态、修订记录或统计信息提前影响过去样本。
识别谁与谁真正独立
当不同用户、设备、流域或站点需要独立检验时，应按独立实体分组，避免同一对象的近邻片段同时出现在两侧。
不要抹掉数据产生过程
保留缺失、异常与极端时期的标记，并记录插补和修订来源；这些状态本身就是理解测量可靠性的组成部分。
让常态与关键少数都被看见
检查普通时期与稀有时期的代表性，明确季节、机制变化、突发冲击和新实体是否在不同阶段得到合理覆盖。
My Understanding
我对时间序列数据的三个基本认识
时间序列的意义不只存在于数值中，也存在于数值如何被观测、组织和使用的边界中。
每个值都来自具体对象、具体时刻与具体观测过程，不能脱离时间尺度、单位和状态单独解释。
一个样本应还原某个预测时点的真实信息条件，清楚区分当时已知的输入与后来发生的答案。
大量重叠窗口可能只是重复观察同一段历史；真正重要的是独立性、代表性、边界一致性和数据质量。
只有先把“记录了什么、样本如何形成、当时能知道什么”说清楚，时间序列研究才建立在真实、可复现且可解释的数据基础上。