2、问题定义与数学建模：多步预测的数学形式化定义，输入输出维度分析，单步 vs 多步的本质区别
好，咱们正式开始聊多步预测。很多同学一上来就问我：「老师，多步预测不就是多预测几个点吗？」
嗯，这话对了一半。多预测几个点没错，但背后的数学逻辑、数据组织方式，跟单步预测完全是两码事。我当年刚入行时也踩过这个坑——拿着单步预测的模型硬套多步任务，结果预测曲线像断了线的风筝，越飘越远。
今天咱们就把这个「坑」彻底填平。
2.1 多步预测的数学形式化定义
先看一个最朴素的问题：
给定历史观测序列 [x₁, x₂, ..., xₜ]，我们要预测未来 H 个时间步的值 [xₜ₊₁, xₜ₊₂, ..., xₜ₊ₕ]。
这里的 H 就是预测步长（horizon）。
数学上可以写成：
给定：X = {x₁, x₂, ..., xₜ}
预测：Ŷ = {ŷₜ₊₁, ŷₜ₊₂, ..., ŷₜ₊ₕ}说白了，就是用一个函数 f 把历史映射到未来：
Ŷ = f(X; θ)其中 θ 是模型参数。这个 f 可以是 LSTM、Transformer、或者简单的线性回归——但不管用什么模型，输入输出的维度关系必须搞清楚。
核心要点：多步预测的本质是「用一个固定长度的历史窗口，去预测一个固定长度的未来窗口」。这两个窗口的长度，决定了模型的输入输出维度。
2.2 输入输出维度分析
咱们用一个具体例子来说明。假设：
- 历史窗口长度（lookback）：
L = 10 - 预测步长（horizon）：
H = 5 - 特征维度（单变量/多变量）：
D
那么：
- 输入维度：
(batch_size, L, D)，即(batch_size, 10, D) - 输出维度：
(batch_size, H, D)，即(batch_size, 5, D)
这里有个容易混淆的点：如果 D > 1（多变量），输出的是所有变量的未来值，还是只预测目标变量？
我个人习惯的做法是：输出只包含目标变量。比如你预测股价，输入用了成交量、开盘价、收盘价三个特征，但输出只预测收盘价。这样模型更聚焦，训练也更稳定。
| 场景 | 输入形状 | 输出形状 | 说明 |
|---|---|---|---|
| 单变量单步 | (batch, L, 1) | (batch, 1) | 最基础 |
| 单变量多步 | (batch, L, 1) | (batch, H) | H > 1 |
| 多变量单步 | (batch, L, D) | (batch, 1) | 只预测目标 |
| 多变量多步 | (batch, L, D) | (batch, H) | 只预测目标 |
避坑指南：我曾经在做一个电力负荷预测项目时，把多变量的所有输出都丢给模型去预测，结果模型训练了三天都不收敛。后来发现，非目标变量的未来值根本不可预测——你想想看，你连明天的气温都不知道，怎么能让模型去预测明天的气温特征呢？
2.3 单步 vs 多步的本质区别
好，到了最关键的部分。单步预测和多步预测，到底差在哪？
我画了一张图，帮你理清思路：
从图上可以直观看到：
- 单步预测：输入一个窗口，输出一个点。模型只关心「下一步」是什么。
- 多步预测：输入一个窗口，输出一个序列。模型要同时预测未来多个时间点。
但真正的本质区别，藏在误差传播里。
注意：多步预测的误差会随着步长增加而放大。你想想看，预测第1步时误差是ε，第2步基于第1步的预测值，误差可能变成2ε，第3步变成4ε...这就是所谓的「误差累积效应」。我在做交通流量预测时，步长超过10步，预测曲线基本就变成一条直线了——模型学到的只是「均值回归」。
2.4 三种主流的多步预测策略
既然多步预测这么难，那有什么办法？我总结了三种主流策略：
- 直接多步预测（Direct Multi-step）
- 直接训练一个模型，输出H个值
- 优点：一步到位，误差不传递
- 缺点：模型要学的东西太多，H越大越难
- 递归多步预测（Recursive Multi-step）
- 用单步模型，把预测值当作输入，一步步迭代
- 优点：模型简单，只需训练一个单步模型
- 缺点：误差累积，越往后越不准
- 多输出多步预测（Multi-output Multi-step）
- 用seq2seq架构，编码器-解码器结构
- 优点：灵活，可以处理变长序列
- 缺点：训练复杂，需要更多数据
我个人在实际项目中，最常用的是直接多步预测。原因很简单：它最稳定，不会出现递归方法那种「预测值逐渐漂移」的问题。当然，前提是你的模型容量要够大。
实战建议：如果你刚开始做多步预测，我建议先用直接多步预测。等你对数据有了感觉，再尝试递归或混合策略。我曾经在一个风电功率预测项目中，直接多步预测的MAE比递归方法低了30%——但这是建立在数据量足够大的前提下。
2.5 小结
这一章我们聊了：
- 多步预测的数学定义：
Ŷ = f(X; θ) - 输入输出维度：
(batch, L, D)→(batch, H) - 单步 vs 多步的本质区别：点估计 vs 序列估计，误差累积
- 三种策略：直接、递归、多输出
记住一句话：多步预测不是单步预测的简单堆叠，而是一个全新的问题定义。下一章我们会深入数据预处理，看看如何为多步预测准备高质量的训练样本。
公众号:蓝海资料掘金营，微信deep3321