可以使用滑动窗口技术来将时间序列切分成多个子序列，然后对每个子序列分别建立预测模型。具体实现代码如下：

import numpy as np
from sklearn.linear_model import LinearRegression

# 生成长度为 n 的时间序列
n = 100
ts = np.random.rand(n)

# 切分成多个长度为 seq_len 的子序列
seq_len = 10
X_list = [ts[i:i+seq_len] for i in range(n-seq_len+1)]
y_list = [ts[i+seq_len] for i in range(n-seq_len)]

# 建立线性回归模型，对每个子序列进行训练和预测
model = LinearRegression()
predictions = []
for X, y in zip(X_list, y_list):
    X = X.reshape(-1, 1)
    model.fit(X, y)
    pred = model.predict([[X[-1, 0]+1]])
    predictions.append(pred[0])

# 可视化结果
import matplotlib.pyplot as plt
plt.plot(ts[seq_len:], label='true data')
plt.plot(predictions, label='predictions')
plt.legend()
plt.show()

上述代码中，首先生成一个长度为 n 的时间序列 ts，然后使用滑动窗口技术将其切分成多个长度为 seq_len 的子序列 X_list 和对应的预测目标 y_list。接着，使用线性回归模型对每个子序列进行训练和预测，将预测结果存储在列表 predictions 中。最后，将真实数据和预测结果可视化出来。