编写pytorch代码，读取时序数据集dataset，首先通过滑动窗口划分法整理数据集。然后按照比例为0.7：0.2：0.1划分为训练集、验证集和测试集。

以下是使用 PyTorch 对时序数据集进行滑动窗口划分，并按照比例划分为训练集、验证集和测试集的代码示例：

import torch
from torch.utils.data import DataLoader, Dataset
import numpy as np

class SlidingWindowDataset(Dataset):
    def __init__(self, data, window_size):
        self.data = data
        self.window_size = window_size

    def __len__(self):
        return len(self.data) - self.window_size + 1

    def __getitem__(self, idx):
        return self.data[idx:idx+self.window_size]

# 读取时序数据集
dataset = np.loadtxt('data.csv', delimiter=',')

# 定义滑动窗口大小和步长
window_size = 10
step_size = 1

# 使用滑动窗口划分法整理数据集
data = []
for i in range(0, len(dataset)-window_size+1, step_size):
    window = dataset[i:i+window_size]
    data.append(window)
data = np.array(data)

# 划分训练集、验证集和测试集
train_ratio = 0.7
val_ratio = 0.2
test_ratio = 0.1

num_samples = len(data)
num_train_samples = int(num_samples * train_ratio)
num_val_samples = int(num_samples * val_ratio)
num_test_samples = num_samples - num_train_samples - num_val_samples

train_data = data[:num_train_samples]
val_data = data[num_train_samples:num_train_samples+num_val_samples]
test_data = data[num_train_samples+num_val_samples:]

train_dataset = SlidingWindowDataset(train_data, window_size)
val_dataset = SlidingWindowDataset(val_data, window_size)
test_dataset = SlidingWindowDataset(test_data, window_size)

train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)
val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False)
test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False)

在这个示例中，我们首先读取时序数据集，然后使用滑动窗口划分法整理数据集，得到一组滑动窗口。然后，我们按照比例划分为训练集、验证集和测试集，并使用 PyTorch 中的 `SlidingWindowDataset` 类将数据集转换为 PyTorch Dataset 对象。最后，我们使用 PyTorch 中的 DataLoader 类将数据集转换为可迭代的数据加载器，并设置每个批次的大小、是否打乱数据顺序等参数。