Я настоятельно рекомендую прочитать «Оценка точности прогноза» (раздел 3.4) «Прогнозирование Роба Хиндмана: принципы и практика» по теме перекрестной проверки моделей временных рядов.
https://otexts.com/fpp2/accuracy.html
Ваш метод перекрестной проверки, скорее всего, будет зависеть от того, что вы пытаетесь прогнозировать. Существует много различных методов перекрестной проверки моделей временных рядов.
Пример № 1 - Допустим, у меня есть месячные продажи за 2014–2018 годы, и я хочу построить модель для прогнозирования ежемесячныхпродажи за 2019 финансовый год. Я буду обучать свою модель ARIMA на 2014–2017 годы и прогнозировать 12 месяцев, а затем сравнивать результаты моих прогнозов с фактическими месячными продажами за 2018 год, которые у меня есть в качестве набора тестов, с использованием такой методики, как средний абсолютный процентошибка (MAPE, также обсуждается в книге Хиндмана). Тем не менее, ваши интервалы прогнозирования будут становиться все более большими по мере того, как вы будете прогнозировать дальше от своей последней текущей точки данных.
Пример # 2 - та же проблема прогнозирования ежемесячных продаж. Я мог бы также обучить модель в январе 2014 года - декабре 2017 года, а затем прогнозировать это время только за 1 месяц. Затем обучите модель на январь 2014 г. - январь 2018 г. и прогноз на февраль 2018 г., затем на тренировку январь 2014 г. - февраль 2018 г., прогноз на март 2018 г. и т. Д. Изображение ниже является хорошим описанием этой методологии.
Существуют и другие способы перекрестной проверки, обсуждаемые в книге, которые, опять же, я рекомендую прочитать,R обладает множеством замечательных функций перекрестной проверки для временных рядов, таких как функция tsCV ().
Надеюсь, это поможет. Удачи!