---
title: "滑動視窗（Sliding Window）"
slug: sliding-window
language: zh-TW
source: https://aiterms.tw/terms/sliding-window
updated_at: 2026-07-30
tags: [時間序列, CNN, NLP, 語音處理, 資料前處理, iPAS]
ipas_term: false
---

# 滑動視窗（Sliding Window）

在序列資料上以固定大小的視窗逐步滑動取樣的技術，廣泛用於時間序列分析、NLP 和語音處理。

## 完整說明

滑動視窗（Sliding Window）是處理序列資料的基礎技術，透過在資料序列上移動一個固定長度的窗格，逐步提取局部特徵或樣本。在 AI 應用中，滑動視窗用於時間序列預測的訓練樣本生成、卷積神經網路的感知野掃描、大型語言模型的長文本處理、以及語音特徵提取等多種場景。

## 常見問題

### 滑動視窗的視窗大小和步長如何影響時間序列預測效果？

視窗大小決定模型能「看到」多長的歷史資訊。視窗太小（如只看 3 個時間步）模型只能基於極短期的趨勢做預測，無法捕捉季節性、周期性等長期模式；視窗太大則包含過多遙遠的歷史資料，這些資訊對預測近期趨勢可能是雜訊而非訊號，且增加模型複雜度。步長決定訓練樣本的重疊程度：步長為 1 產生最多樣本（樣本數 = 序列長度 - 視窗大小），相鄰樣本高度重疊，訓練資料豐富但相關性強；步長等於視窗大小時樣本無重疊，獨立性強但樣本量少。實務上通常從步長 1 開始，再根據訓練效率需求調整。

### 在 RAG 系統中，滑動視窗切割文件有什麼注意事項？

在 RAG（Retrieval-Augmented Generation）系統中，用滑動視窗切割長文件時，最關鍵的問題是語義在切割邊界處斷裂。若一個段落被硬切在兩個視窗之間，搜尋相關內容時可能兩個視窗都只取到一半，導致召回的片段語義不完整。解決方法有二：一是設定重疊區（Overlap），讓相鄰視窗共享一定數量的 token（通常 10-20%），確保重要段落在某個視窗中完整出現；二是採用語義感知切割（Semantic Chunking），在段落、句子、標點符號等自然邊界處切割，而非硬切到固定 token 數。後者效果通常更好，但需要額外的語義分割邏輯。

### 滑動視窗在卷積神經網路（CNN）中的作用是什麼？

在 CNN 中，卷積核（Filter）扮演滑動視窗的角色，在輸入上逐位置滑動並計算局部內積，輸出特徵圖。這個過程有兩個關鍵優點：參數共享（Parameter Sharing）和平移等變性（Translation Equivariance）。參數共享意味著同一個卷積核掃描整個輸入，不管貓出現在圖片的左上角還是右下角，同樣的邊緣偵測器都能識別。平移等變性意味著輸入平移，輸出特徵圖相應平移，模型不需要為同一模式在不同位置各自學習一組參數。這使得 CNN 在影像、音訊、時間序列等具有局部模式的資料上效率極高，參數量遠少於全連接網路。

---

來源：https://aiterms.tw/terms/sliding-window
快查頁：https://aiterms.tw/terms/sliding-window
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-sliding-window