在Apache Beam中，可以通过指定固定大小的时间窗口来对数据流进行切分和计算。然而，固定大小的窗口大小可能会导致数据不均匀，一些窗口可能将数据过度聚合而造成性能损失。为了解决这个问题，可以将窗口大小、间隔时间和最大延迟时间组合使用，以最大程度地平衡聚合性能和输出准确性。

下面是一个示例代码：

import apache_beam as beam
from datetime import datetime, timedelta

class GenerateTimestampFn(beam.DoFn):
    def __init__(self, interval):
        self.interval = interval

    def process(self, element):
        timestamp = datetime.utcnow() - timedelta(minutes=self.interval)
        yield beam.window.TimestampedValue(element, int(timestamp.timestamp() * 1000))

class ExtractFromStationLogs(beam.DoFn):
    def process(self, element):
        data = element.split(',')
        yield beam.window.TimestampedValue((data[0], data[1], data[2]), int(data[0]))

def run_job(input_topic, output_topic, window_size_minutes, interval_seconds):
    p = beam.Pipeline('DirectRunner')

    # Read from Pub/Sub
    logs = p | beam.io.ReadFromPubSub(topic=input_topic)

    # Extract data and generate timestamp
    extracted = logs | beam.ParDo(ExtractFromStationLogs())
    with_timestamps = extracted | beam.ParDo(GenerateTimestampFn(interval_seconds))

    # Window into fixed-size intervals
    windowed = with_timestamps | beam.WindowInto(beam.window.FixedWindows(window_size_minutes * 60))

    # Aggregate and format output
    output = windowed | beam.GroupByKey() | beam.ParDo(FormatOutputFn())

    # Write to Pub/Sub
    output | beam.io.WriteToPubSub(topic=output_topic)

    # Run the pipeline
    p.run()

在这个示例代码中，我们使用了GenerateTimestampFn和ExtractFromStationLogs这两个DoFn来生成时间戳和提取数据。然后，我们使用window.FixedWindows函数来定义固定窗口大小，并使用GroupByKey函数将数据聚合在窗口内。最后，我们使用beam.io.WriteToPubSub将输出写入Pub/Sub。这个示例中，我们还可以使用SlidingWindows和Sessions等其他类型的窗口来帮助平衡性能和输出准确性。