一：问题描述
题目中涉及到严格的时间概念，例如：预测未来N天的流量（人流，销售等），预测未来N天内的用户-对象对（用户-商品等）的问题等，都可以利用滑窗法解决。诸如类似形式的问题，尤其是要有严格的时间概念的问题。
二：基本方法
假设：题目描述为预测未来N天的流量信息，其中N的取值为大于等于1。基本诸如此种问题，题目会给出前X天的详细信息。这样，我们就知道，其完整的数据为 X+N 的形式，其中 N 是需要我们预测的部分，其真实值未知。
具体题目：recruit-restaurant-visitor-forecasting
通过机器学习的方法解决此类问题，需要构造与问题描述类似的样本格式。
我们需要在 X 中构造出与 X+N 格式一致的样本，这种情况下，切分X为两个部分，[X-M,M]，其中M=N的长度。这样，就拥有了带有标签的数据，其中M是我们线下预测的部分其本质是符合线上的N的部分，而X-M类似于在[X,N]中的X部分。
线上预测部分：[X,N]
线下模拟部分：[X-M,M]
在这种情况下，由于仅仅划分了一部分的X为线下模拟部分，其数据量太小。因此，我们可以通过 滑窗法 增加更大部分的样本，以覆盖尽可能多的数据达到能够让我们的模型学习到更多的情况。
我们对于X-M进一步分割为 [X-M-L,L] 其中L=M=N
现在的数据格式
线上预测部分：[X,N]
线下模拟部分：[X-M,M],[X-M-L,L]
通过一次又一次的对数据的形式划分，可以得到充足的数据。
其中，对于L,M,N其数值也可以不等。
例如N=39,L=28,N=14，这种情况下，针对具体问题，需要通过验证的方式去调试。
++++++++++++++++++++++++++++++++++++++++++++++++++++++
划分好了类似的数据，这样我们需要明确哪些数据可以进行统计，同时也要知道那些数据作为需要预测的Y。
回顾问题，我们要预测N，那么N天内的销量就是我们待预测Y_pred,这样我们已经线下划分了不同的子区间，那么根据对应关系，其M就可以提取出真实的Y，而在X-M对应于在[X,N]区间的X，这个部分可以尽情的做数据的统计。
普遍在代码实现时，在[X-M,M]区间中，我们会首先提取M中的真实值Y和唯一标识ID，之后再X-M中不停的统计，最后通过唯一标识ID拼接到这个M中。
这样就把[X-M,M]转化为一个带有Y的data。
梳理一下最后的结果
[X,N]最后为不带Y的data，
[X-M,M]带有Y的data,
[X-M-L,L]带有Y的data.
假设我们提取了很多数据，我们可以自己划分train，valid
train 为 {[X-M-L,L] , [X-M-L-K,L-K],}
val 为 [X-M,M]
之后可以通过模型训练并进行对[X,N]的预测。
特征的提取需要结合具体题目，没有一定的套式。
诸如此种方式逐步可以增加更多的数据，其数据基本格式模拟线上的基本形式。
三：U-I-Rank问题
假设：某宝购物平台要预测一天的用户购买情况，这种情况下也是一个和时间有关的问题，不过这个问题中，我们既要预测用户买不买，同时也要预测买啥。
问题转换：这个问题，我们可以同时提取USER-ITEM对，转化为用户-产品对的形式，理解为：将user-item作为唯一标识，最终选择user-item预测概率最大的topN作为结果。
具体题目链接：天池新人赛
关于天池新人赛的题目在CSDN上面有很多人分享了思路，可以作为参考。
四：总结
对比以上所说的两类问题，都是和时间有密切关系且都是预测未来N天的一些Label值，都可以采取这类方式做最基本的处理。
这里简单描述了针对时间严格的问题的一种方案，我也是初学者，如有不足或者问题，请指出