我以前有过用于模型调整的“正常”K 折交叉验证的经验，我对时间序列模型中的应用有点困惑。

据我了解，对于时间序列模型，交叉验证的推论是Hyndman描述的“前滚起源”过程。这对我来说很有意义，下面的代码演示了在海德曼的博客tsCV中使用 R 中的函数，以一次性显示错误与 CV 与整个数据集的区别。

library(fpp)
e <- tsCV(dj, rwf, drift=TRUE, h=1)
sqrt(mean(e^2, na.rm=TRUE))
## [1] 22.68249
sqrt(mean(residuals(rwf(dj, drift=TRUE))^2, na.rm=TRUE))
## [1] 22.49681

现在，在上面的那个链接中，它提到在每个新的预测原点重新估计漂移参数。在“正常”简历中，我将有一个参数网格，我将针对每个折叠进行评估，这样我就可以获得一个平均值来确定要使用的最佳参数。然后，我将使用这些“最佳”参数来拟合完整的训练集，并将其用作我的最终模型来评估我之前提供的测试集。请注意，这是嵌套的交叉验证，所以我在任何时候都没有在我的测试集上进行训练。

这显然不是“前滚原点”过程的情况，其中参数针对每个折叠进行了优化（至少对于 R 方法，如bats、tbats、auto.arima等）。我是否错误地从模型参数调整的角度考虑这种方法，或者我将如何选择时间序列模型参数来为最终使用的模型设置？或者参数调整不考虑时间序列模型的问题，优化似乎是模型拟合的一部分，CV 的结果只是说明每个模型的整体性能如何？最后用大部分数据构建的最终模型是我要使用的模型吗？

我意识到这可以用一个更简单的问题来改写。在交叉验证（“前滚原点”）之后，我是否只使用最后一个构建的模型（最大的超集作为最终拟合模型？或者有什么建议？