对于时序单步预测模型，如果预测多步，计算滑动特性值似乎非常关键，否则发挥不出模型效果

是的，对于时序多步预测模型，计算滑动特性值确实非常关键。滑动特性值（sliding window）指的是将历史数据序列中的一段时间窗口（例如，最近的10天）作为一个整体来进行预测。在时序多步预测中，我们需要通过滑动特性值来捕捉时间序列的动态变化，从而提高预测精度。

具体来说，我们可以使用滑动窗口来对历史数据序列进行分段，并在每个窗口内训练模型进行预测。当我们需要预测多个时间步长时，可以使用每个窗口内的预测结果来继续预测下一个时间步长。这样，我们就可以实现时序多步预测。

需要注意的是，滑动窗口的大小需要根据具体的问题进行调整。如果窗口太小，可能无法捕捉到时间序列的长期变化趋势；如果窗口太大，可能会导致预测结果过于平滑，无法反应时间序列的短期变化。因此，我们需要根据具体问题和数据特点来选择合适的窗口大小。