这是一个概念问题，而不是技术问题。我有兴趣执行滚动（滑动）窗口分析，我的目标是预测我的时间序列的下一个值的标签（'0'或'1'）。例如，考虑时间序列数据和标签数组：（我使用 Python 和 sklearn）

ts  = array([11, 15,  3, 18,  6, 10,  9, 25,  7, 15])
lab = array([ 0,  0,  0,  1,  1,  0,  0,  1,  0,  1])

我正在做的是尝试学习一个函数'F'，它将输入特征（从'ts'数组的窗口中提取）映射到二进制标签'lab' F(feat(ts)) -> lab：。从概念上讲，这个问题等价于以下一个时间戳为条件的大小为 k 的窗口的标记。

F(ts[i:i+3]) -> lab[i+3]

实际上：考虑一个大小为 3 的窗口，然后我们得到：

F([11,15, 3]) -> y = 1
F([15, 3,18]) -> y = 1
F([ 3,18, 6]) -> y = 0
F([18, 6,10]) -> y = 0
F([ 6,10, 9]) -> y = 1
F([10, 9,25]) -> y = 0
F([ 9,25, 7]) -> y = 1

（最后一个值未使用）。真实的时间序列要长得多。

问题：对于训练、测试和交叉验证，我可以（假装和）使用我的实例作为 iid 吗？我的意思是：我可以将实例随机划分为训练集、验证集和测试集吗？

当然，它们不是独立同分布的，但是当我天真地尝试处理我的数据并学习分类器（简单逻辑回归）时，它出人意料地工作得非常好，并且我在分类指标上得到了相当合理的结果。

编辑

我正在阅读关于评估时间序列预测的交叉验证有效性的论文 A Note on the Validity of Evaluating Time Series Prediction，作者明确指出：“....和 ​​CV 可以而且应该在不修改的情况下使用，就像在独立案例中一样.. "