不，过度拟合数据是没有意义的。

过拟合这个词实际上是指模型之间的比较：如果model_a在给定的训练数据上表现更好，但在样本外比model_b更差，那么 model_a就是过拟合。或者换句话说：“存在更好的选择”。

如果交通状况“相对于训练数据完全不会改变”，那么您只需记住训练数据即可获得最佳结果（同样，这不是“过度拟合”）。

但是“数据相对于训练数据不会有太大变化”仅仅等同于对基础模式有一个合理的表示。这是机器学习效果最好的地方（Ferdi 解释的固定环境）。

我会说，过度拟合你的数据是有道理的，但仅用于研究目的。（不要在生产中使用过拟合模型！）

在数据可能很复杂且任务不平凡的情况下，尝试过度拟合模型可能是重要的一步！

如果您可以过拟合模型 - 这意味着数据可以由模型描述。

如果您甚至不能过度拟合 - 它可以为您提供调查线索：

• 你的数据还没有准备好建模，所以你需要做更多的数据准备/特征工程
• 您的模型太简单，无法捕获所有数据依赖关系

一般来说，故意过度拟合您的数据是没有意义的。问题是很难确保模式也出现在数据中未包含的部分中。您必须确认数据中存在模式。这样做的一种可能性是平稳性的概念。

你的描述让我想起了平稳性和遍历性。从上下文/业务方面，您假设您的时间序列遵循某些模式。这些模式称为平稳性或遍历性。

定义平稳性：

平稳过程是一个随机过程，其无条件联合概率分布在随时间移动时不会改变。因此，均值和方差等参数也不会随时间而变化。

定义遍历性：

遍历过程是与或表示系统或过程相关的过程，该过程具有以下特性：给定足够的时间，它们包括或影响给定空间中的所有点，并且可以通过合理选择的点进行统计表示。

现在您要确保它确实遵循这些特定模式。您可以这样做，例如使用单位根检验（如 Dickey-Fuller）或平稳性检验（如 KPSS）。

定义单位根检验：

$H_0:$有单位根。

$H_1:$没有单位根。这在大多数情况下意味着平稳性。

定义平稳性检验：

$H_0:$有平稳性。

$H_1:$没有平稳性。

进一步阅读：

平稳检验和单位根检验有什么区别？

如果时间序列真正遵循这些模式，预测和预测将“从统计的角度更容易”，例如，您可以应用计量经济学模型进行预测，如 ARIMA 或 TBATS。如果您具有横截面数据平稳性并且单位根不是常见概念，我的回答与单变量和多变量时间序列有关。