预测未来7天累计结果时，一行训练样本的标签需要等到未来第7天才能确定。只按行日期把较早记录放进训练集，可能把验证开始之后才完成的标签带进去。下面给每条样本记录标签结束日期，并在每轮验证前剔除跨界训练行。
准备环境与教学数据
以下代码已在 Windows 的 Python 3.11 独立环境运行。文中数据是人为构造或库自带的教学样本，不代表任何业务系统的效果；例子不调用在线大模型。
在空目录安装依赖，把完整代码保存为 demo.py，运行 python demo.py。使用现有 Python 环境时，先核对依赖版本。
python -m pip install numpy==2.4.6 scikit-learn==1.9.1先把标签覆盖区间写出来
人为生成40天等间隔数据：第 i 天的输入只有当天已知的 signal，标签是随后7天 signal 的和，因此 label_end=i+7。可形成标签的原点是第0至32天。这里不用未来 signal 当特征，只用它构造事后才可得到的教学标签。
第20天开始验证时，原点为第19天的训练候选标签要到第26天才结束，不能在第20天用于训练。代码保守地要求 train_label_end 小于验证首日；真实业务还要把数据到达、审核和发布延迟纳入可用时点。
逐轮剔除并保留证据
演示两轮验证，起点分别为第20和26天，每轮验证4天。程序列出剔除条数、保留训练条数、最后一个保留标签结束日和验证起点，并断言边界成立。随后仅用保留行拟合一个 LinearRegression，打印教学 MAE。
这与只按时间索引做一步预测的情况不同：关键是标签本身跨越多天。若目标窗口长度改变，就按每行真实标签结束日重新计算，不能机械复用 gap=7。
完整可运行代码
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error
days = np.arange(40)
signal = 10 + 0.2 * days + np.sin(days / 3)
horizon = 7
origin = np.arange(len(days) - horizon)
label_end = origin + horizon
X = signal[origin].reshape(-1, 1)
target = np.array([signal[i+1:i+horizon+1].sum()
for i in origin])
for valid_start in [20, 26]:
valid = np.flatnonzero((origin >= valid_start) &
(origin < valid_start + 4))
candidates = np.flatnonzero(origin < valid_start)
train = candidates[label_end[candidates] < valid_start]
removed = len(candidates) - len(train)
assert len(valid) == 4 and len(train) > 0
assert int(label_end[train].max()) < int(origin[valid].min())
model = LinearRegression().fit(X[train], target[train])
score = mean_absolute_error(target[valid], model.predict(X[valid]))
print("validation_start", valid_start,
"train_rows", len(train), "purged_rows", removed,
"last_train_label_end", int(label_end[train].max()),
"mae", round(float(score), 3))
运行结果与核对
下列是本文代码在上述环境的实际输出。更换运行环境时，先核对输入、代码和断言，再比较输出数值。
validation_start 20 train_rows 13 purged_rows 7 last_train_label_end 19 mae 23.3
validation_start 26 train_rows 19 purged_rows 7 last_train_label_end 25 mae 6.91两轮的 last_train_label_end 都必须早于 validation_start，且 purged_rows 大于0。自己替换数据时，逐行保存标签开始、结束和真正可用时间，再核对训练样本的标签在预测切点前已经能看到；只有行号递增还不够。
适用边界
本例是40天人工信号和固定7天窗口，没有模拟周末、缺失日期或数据发布延迟。输出 MAE 只是教学结果；若特征计算也包含未来窗口，即使标签剔除正确仍会泄漏。
常见问题
直接设置 TimeSeriesSplit(gap=7) 足够吗？
只有在样本等间隔、每行标签跨度和可用延迟恰好符合该行数时才可能合适。按每行标签结束时间核对边界更清楚；不规则时间或可变窗口需要按日期处理。
参考资料
以下接口行为依据官方文档核对于 2026 年 10 月 1 日；本文的运行结果仅覆盖上述教学输入。
Ai菜鸟网。发布者：AI小管家，转载请注明出处：https://www.alyyhw.com/31751.html
