做滑动时序预测，计算追加特征均值的方法不理想，应该考虑越近发生的权重越大或有一个策略计算最近权重值，你有什么好的策略

对于滑动时序预测问题，您可以考虑使用指数加权移动平均（Exponential Weighted Moving Average，简称EWMA）的方法来计算特征的均值。具体来说，EWMA方法将更多的权重放在最近的数据上，而随着时间的推移，前期数据的权重逐渐减小，从而能够更好地反映近期的数据变化趋势。

EWMA方法的计算公式如下：

$S_t = \alpha Y_t + (1-\alpha)S_{t-1}$

其中，$S_t$表示时间t的特征均值，$Y_t$表示时间t的特征值，$\alpha$表示平滑系数，即最近特征的权重，取值范围为0到1之间。

您可以尝试不同的平滑系数来计算特征的均值，然后根据实际效果来选择最优的平滑系数。另外，如果您的数据具有周期性变化，可以考虑使用带有季节性因素的EWMA方法来进行预测。

相关问题

数据是外汇时序数据，计算最后十条记录的标准差和最后一条记录相加，把这个值追加到最后用来滑动预测，这样操作怎么样

根据您的描述，您想对外汇时序数据进行滑动预测，并将最后十条记录的标准差和最后一条记录相加得到一个值，将其追加到数据的末尾，然后再进行滑动预测。

这样的操作是可行的，但是需要注意一些细节。首先，您需要确定滑动窗口的大小，也就是用来预测下一个值的历史数据的数量。在您的描述中，滑动窗口的大小为10条记录。

其次，您需要计算滑动窗口中的标准差和最后一条记录的和作为预测模型的输入。这个值可以作为一个特征，用来预测下一个值。需要注意的是，标准差和最后一条记录的和可能会受到异常值的影响，因此可能需要对数据进行处理，例如去除异常值或进行缩放。

最后，您需要实现一个滑动预测模型，用来预测下一个外汇时序数据的值。这个模型可以是简单的线性模型，也可以是更复杂的神经网络模型，具体取决于您的需求和数据的特点。

总之，您的想法是可行的，但需要注意数据处理和模型设计的细节。如果您需要进一步的帮助，可以提供更多的信息，我将尽力为您提供帮助。

我现在的困扰是滑动预测数据追加需要计算特征值，他已经对预测产生很大影响，所以我在考虑是否将单维输出改为多维输出，但没有经验，不知效果如何

如果滑动预测数据追加需要计算特征值对预测产生很大影响，那么可以考虑使用多维输出的模型来解决这个问题。使用多维输出的模型可以将多个相关变量同时输入到模型中，这样可以在保证预测精度的同时，避免计算特征值对预测结果的影响。

具体来说，对于外汇小时级别预测这种任务，我们可以将多个相关变量同时输入到模型中，例如外汇价格、交易量、汇率等等。然后，将历史数据序列中的一段时间窗口作为一个整体输入到模型中，得到模型的输出多维向量。然后，将模型输出向量中的每个元素分别作为下一个时间步长的预测结果，将这些预测结果加入到历史数据序列中，再进行下一个时间步长的预测。通过这种方式，我们可以实现多步预测，并且不需要进行滑动特征值计算。

需要注意的是，使用多维输出的模型也有一些限制，例如需要有足够的相关变量来支持模型的训练和预测，模型的复杂度和计算量也会相应地增加。因此，在选择模型时，需要根据具体问题和数据特点来权衡单维输出和多维输出的优缺点。同时，还需要进行充分的实验和调参，以获得更好的预测精度和稳定性。