与时间相关的累计特征直接除以时间或数据长度，会不会太简单粗暴

是的，直接将与时间相关的累积特征除以时间或数据长度可能过于简单粗暴，并不总是适用。这种简单的缩放方法可能无法准确捕捉到时间序列数据中的潜在模式和变化。

时间序列数据中的累积特征通常具有一定的趋势和季节性，直接除以时间或数据长度可能会丢失这些重要的特征。因此，在确定缩放因子时，需要更加细致地考虑数据的特点。

以下是一些更复杂的方法来确定缩放因子：

1. **差分方法（Differencing）**：通过计算时间序列数据的差分，可以去除趋势和季节性，并使数据更稳定。然后可以对差分后的数据进行缩放。例如，可以使用一阶或二阶差分来消除趋势和季节性。

2. **移动平均方法（Moving Average）**：使用移动平均线对时间序列数据进行平滑处理，以减少噪声和异常值的影响。然后可以对平滑后的数据进行缩放。

3. **指数加权移动平均方法（Exponential Smoothing）**：使用指数加权移动平均方法对时间序列数据进行平滑处理，赋予较近观测值更高的权重。然后可以对平滑后的数据进行缩放。

4. **基于模型的方法**：可以使用时间序列分析中的模型（如ARIMA、SARIMA、Prophet等）来拟合数据，并根据模型的结果来确定缩放因子。

这些方法可以更好地捕捉时间序列数据中的模式和变化，从而更准确地确定缩放因子。具体的选择应该根据数据的特性、问题的需求以及领域知识进行综合考虑。