深度学习与全局时间序列模型（如DeepAR）中“sample”的准确定义是什么？

我正在学习用NN和LSTM开发全局时间序列预测模型，目前遇到一个核心问题：全局时间序列场景中“sample”的准确定义是什么？它与非序列数据或单变量时间序列场景下的“sample”定义有何区别？

非序列数据场景 #

我理解在此场景中，每个数据点（即数据框中的每一行）被称为一个“sample”。这些数据点可被划分为“batches”（即“mini-batches”的简称）。参数batch_size指定每个“(mini) batch”包含的数据点数量。训练时，一个周期内遍历整个数据集所需的批处理总数（即迭代次数）为：
每个周期的批处理数 = （样本数 / batch_size）=（数据集中的数据点总数 / batch_size）

单变量时间序列场景 #

在单变量时间序列建模场景中，“sample”的定义与参数sequence_length相关。相关技术讨论指出，时间序列场景中的“sample”并非时间序列中的单个数据点——单个数据点是一个“time step”。指定sequence_length后，时间序列可分解为一系列长度为sequence_length的重叠子序列，每个子序列即为一个“sample”。此时batch_size表示每次迭代选取的子序列数量。
每个周期的批处理数 = （时间序列生成的长度为sequence_length的子序列数量 / batch_size）

全局时间序列场景 #

全局时间序列建模场景下，数据集由一组相关的（目标）时间序列组成，每个（目标）时间序列可包含动态或静态的外生特征。目标是基于这组相关（目标）时间序列（及外生特征）训练单个模型，以实现对任意（目标）序列的预测。这引入了一个额外维度：数据集中（目标）时间序列的数量（即数据集的“data entries”数量）。

我推测batch_size仍指每次迭代抽取的“sample”数量，但不确定“sample”的定义是否会因该额外维度而改变。以下是三种可能的定义方向：

• 可能性(A)：“sample”是多序列结构。所有（目标）时间序列被分解为长度为sequence_length的子序列。单个“sample”由选取一个时间索引，同时提取每个（目标）序列中从该索引开始的子序列构成。该样本长度等于sequence_length，另一维度为数据集中（目标）序列的数量。假设所有（目标）序列长度相同，则：
  每个周期的批处理数 = （数据集中任意一个时间序列生成的长度为sequence_length的子序列数量 / batch_size）
• 可能性(B)：“sample”是单序列结构（与单变量场景一致），但样本来自多个序列且时间不协同，即每次迭代中可能并非所有（目标）序列都被包含，且迭代内的样本时间不对齐。
  每个周期的批处理数 = （整个数据集生成的长度为sequence_length的子序列数量 / batch_size）
• 可能性(C)：“sample”指数据集中的（目标）时间序列（即1个“sample”=1个“data entry”），而非（目标）序列内的子序列。此时，遍历整个数据集一个周期所需的批处理数为：
  每个周期的批处理数 = （数据集中（目标）时间序列的数量 / batch_size）

我已多方查阅资料（如GluonTS、Pytorch Lightning的文档和代码库等），但未找到直接明确的解答，相关术语的使用常默认读者已知其准确定义。

内容的提问来源于stack exchange，提问作者minidots