R自定义基于m个历史值的时序预测函数校验与优化

原函数的核心滚动预测思路是对的——也就是每预测一个时间步，都取截止到当前步的真实历史数据截最近m个值送入模型，但代码鲁棒性、灵活性、性能都存在明显问题，算不上正确可复用的实现：

• 硬编码拆分规则：直接把5:5拆分的1/2分界点写死在函数内部，没法灵活调整训练测试拆分比例
• 缺失边界校验：如果设置的m值大于初始训练集长度（比如示例序列m=6，初始训练集只有5个值），第一次循环取窗口时会出现索引小于1的问题，R会自动返回长度不足的序列，导致模型预测输入不符合要求，直接报错，而且没有明确的错误提示
• 性能差：R里循环内反复用append给向量追加元素，会每次触发全量向量的内存复制，数据量稍大的时候运行速度会非常慢
• 结果无标识：返回的预测向量没有对应时间步标记，后续使用很容易和真实值错位。

拿题目里的示例序列c(1,2,3,4,5,6,7,8,9,10)、m=3举例，原函数跑出来的预测值结果是对的，但只要换个参数或者数据规模上来就会出问题。

优化方向主要对应上面的问题点：

• 把训练集占比设为可配置参数，默认0.5保持和题目要求一致
• 增加前置边界校验，当初始训练集长度不够m个值的时候直接抛出明确错误
• 提前给预测结果分配好固定长度的内存，避免循环中反复扩容
• 给预测结果加上对应时间步的命名，防止错位
• 保持逐时间步滚动的逻辑，每一步都只用当前已观测到的真实值取窗口，不使用未来数据，符合滚动预测的要求

优化后的代码如下：

rolling_predict <- function(data, model, m, train_ratio = 0.5) {
  n <- length(data)
  train_len <- floor(n * train_ratio)
  # 校验初始窗口长度是否足够
  if (train_len < m) {
    stop("初始训练集长度小于窗口m，无法启动预测，请调小m或增大训练集占比")
  }
  test_len <- n - train_len
  # 预分配内存，大幅提升循环效率
  predictions <- numeric(test_len)
  # 给结果加上对应时间步标签
  names(predictions) <- paste0("第", (train_len + 1):n, "步")
  
  for (step in seq_len(test_len)) {
    # 当前可观测的历史数据截止位置
    current_end <- train_len + step - 1
    current_start <- current_end - m + 1
    # 取最近m个历史值预测下一个点
    pred_input <- data[current_start:current_end]
    predictions[step] <- predict(model, pred_input)
  }
  return(predictions)
}

用示例序列、m=3测试该函数，会依次取[3,4,5]预测第6步、[4,5,6]预测第7步……直到取[7,8,9]预测第10步，完全符合逐时间步滚动预测的要求，也不会出现索引越界、性能差的问题。

内容的提问来源于stack exchange，提问作者Fatafim