目前，我能够创建时间序列滑动窗口批处理数据集，其中包含有序的“特征集”，如“输入”、“目标”、"基准“等。最初，我开发了模型和数据集，其中目标与所有其他输入具有相同的批处理大小。然而，已经证明这对调整输入批量是有害的，当需要在实时数据上运行此函数时，它没有什么帮助，因为我只关心生成(1, horizon, targets)形状的单个样本输出，或者在给定(samples, horizon, features)输入数据集的情况下只生成(horizon, targets)。
作为一个概述，我想在时间T取长度features的N历史样本，在模型中运行它们，并输出长度targets的horizon单个样本;重复此操作，直到运行完整个数据集。
假设Pandas Dataframe 的长度为Z，则所有结果数据集的长度都应为Z - horizon。“targets”数据集的批处理大小应为1，“inputs”数据集的批处理大小应为batch_size。
下面是我目前使用的一个精简的代码片段，用于为所有特性集生成标准批处理大小：

import tensorflow as tf
import pandas as pd

horizon = 5
batch_size = 10
columns = {
    "inputs": ["input_1", "input_2"],
    "targets": ["target_1"],
}
batch_options = {
    "drop_remainder": True,
    "deterministic": True,
}

d = range(100)
df = pd.DataFrame(data={'input_1': d, 'input_2': d, 'target_1': d})

slices = tuple(df[x].astype("float32") for x in columns.values())
data = (
    tf.data.Dataset.from_tensor_slices(slices)
    .window(horizon, shift=1, drop_remainder=True)
    .flat_map(
        lambda *c: tf.data.Dataset.zip(
            tuple(
                col.batch(horizon, **batch_options)
                for col in c
            )
        )
    )
    .batch(
        batch_size,
        **batch_options,
    )
)