在阅读了 RJ Hyndman 关于交叉验证和时间序列的“研究提示”之一之后，我回到了我的一个老问题，我将在这里尝试制定。这个想法是，在分类或回归问题中，数据的顺序并不重要，因此可以使用k折交叉验证。另一方面，在时间序列中，数据的排序显然非常重要。
然而，当使用机器学习模型来预测时间序列时，一个常见的策略是重塑序列进入一组“输入-输出向量”，在一段时间内, 有形式.
现在，一旦完成了这种重塑，我们是否可以认为“输入-输出向量”的结果集不需要排序？例如，如果我们使用具有 n 个输入的前馈神经网络来“学习”这些数据，那么无论我们向模型显示向量的顺序如何，我们都会得到相同的结果。因此，我们能否以标准方式使用 k 折交叉验证，而无需每次都重新拟合模型？
有趣的问题！
您描述的方法肯定被人们使用标准 ML 方法广泛使用，这些方法需要属性的固定长度特征向量来分析时间序列数据。
在您链接到的帖子中，Hyndman 指出重塑的数据向量（样本）之间存在相关性。这可能是有问题的，因为 k-CV（或其他将数据随机划分为训练和测试集的评估方法）假设所有样本都是独立的。但是，我认为这个问题与标准 ML 方法的情况无关，标准 ML 方法分别处理属性。
为了解释，让我通过假设简化您的符号，所以前几个数据向量（按字母顺序标记）将是：
显然，A 和 B 有诸如共同点。但是，对于 A，这是其第二个属性的值，而对于 B，这是其第一个属性的值。
这个问题的答案是，只要您的模型顺序正确指定，这将正常工作，因为您的模型中的错误将是独立的。
这篇论文表明，如果一个模型的交叉验证很差，就会低估它实际上有多差。在所有其他情况下，交叉验证会做得很好，特别是比通常在时间序列上下文中使用的样本外评估更好。