产品需求数据通常具有年度季节性。第一年的培训是不够的，因为您的模型将无法捕捉任何年度季节性或任何长期趋势。出于这个原因，大多数算法需要至少 2 年的数据（越多越好——但这并不总是可用于零售需求预测数据）。

同时，您要确保所有的季节性也存在于您的测试集中 - 因此您的案例中的最佳拆分是 2 年的训练和 1 年的测试。

您认为每年有显着的变化吗？

如果是，那么仅使用 1 年的数据和删除的变异源来拟合模型可能没有意义。

如果不是，由于季节性趋势，这通常不太可能，您可以尝试使用 1 年的数据。使用这么小的训练集有点不常见，并且可能不是对简约性的可靠评估。

最后，如果构建和评估模型的计算成本很低，您可以从第一年开始试验您的想法并获得相同的验证结果（加上额外的一年）。如果第一年的验证误差相对于第二年较大，则表明该模型没有考虑较大的变异来源（可能是您的年度效应），或者该模型过度拟合。如果第 1 年和第 2 年的验证误差相似，则表明可能没有大的年度变化并且模型没有过度拟合。

日常数据通常严重依赖于日常习惯，即在处理记忆效应时考虑确定性结构更为重要（例如上周的同一天）。每日数据还取决于假期影响（领先、同期和滞后）。此外，通常还有月度效应和水平位移效应和趋势效应。我们经常发现一个月中的特定日子是重要的，甚至是一个月中的一周的影响。我们建议 3-4 年的历史能够梳理出常规，同时对不规则保持稳健。

预测客户的支出是一项有趣的研究，您可能会从中受益并在这里进行更多讨论https://stats.stackexchange.com/search?q=user%3A3382+daily+data。

在拆分数据方面，我最初可能会使用 80/20 拆分并测量来自多个来源的准确度，而不仅仅是 1 个来源的样本，以确保对模型性能进行全面/客观的估计，因为“一只燕子不是夏天制造的”。 .