时序数据集准备

问：

我对时间序列数据集的准备有点困惑。在互联网上，我看到了所有使用基于树的模型的示例，其输入特征和目标定义为：

X = df.drop(['target'], axis=1)
y = df["target"]

即我们在这里使用相同时间戳的输入特征和目标。

在使用 LSTM 时，例如使用大小为 x 的窗口，我们使用所有 x 个时间戳的输入特征来预测第 （x+1） 个时间戳的目标值。假设，如果 x 为 1，即大小为 1 的窗口，我们仅使用第 i 个时间戳的输入特征来预测第 （i+1） 个时间戳的目标值。

在基于树的模型中，我最终使用第 i 个时间戳的输入特征来预测相同第 i 个时间戳的目标值。

那么，我们是否应该将基于树的模型的目标列移动 1 并预测类似于我们对 LSTM 所做的预测？

或者准备输入数据集的正确方法是什么？