将RNN输入各时间步作为独立特征的模型效果是否优于传统模型？

通常来说，把24个历史时间步拆成独立特征输入、同时把未来24个预测步拆成独立特征输出的方案，表现会明显弱于传统的单特征时序输入RNN方案，核心原因有以下几点：

• 完全浪费RNN的时序建模核心能力：RNN及LSTM、GRU等变体的设计初衷就是捕捉时序数据的先后依赖、周期、变化趋势等规律，要求输入的序列严格按时间先后顺序排布。把24个时间步拆成平级的独立特征，等于直接抹除了时间顺序信息，模型无法得知特征对应的时间先后关系，自然没法学到真实的时序逻辑（比如连续24小时温度变化的前后关联），完全发挥不出RNN的优势；同时把未来24小时的预测值也拆成独立输出的话，还会丢失预测序列自身的时序关联，进一步拉低预测效果。
• 训练样本利用率大幅下降：传统时序训练用滑窗采样即可，比如长度为1000小时的时序数据，滑窗步长设为1，就能生成1000-24-24=952个有效训练样本；但拆成独立特征的方案只能用不重叠的24小时块作为样本，同样1000小时的数据只能得到41个训练样本，样本量减少几十倍，非常容易出现过拟合，泛化能力极差。
• 对非平稳时序的适配性极差：大部分真实时序数据都存在趋势变化（比如不同月份的平均温度差异大），传统时序输入的RNN可以适配趋势的渐变；但拆成独立特征的方案会把每个位置的特征当成固定分布，一旦整体趋势变化，对应位置的特征分布直接偏移，模型预测效果会出现断崖式下跌。

仅有一种极端场景下两种方案效果接近：就是你要预测的时序完全是无任何时序关联的白噪声，这种场景下本来也不需要用到RNN，用普通线性回归就能实现差不多的效果。

内容的提问来源于stack exchange，提问作者freak11