为 LSTM 或任何其他时间序列模型留下一个交叉验证并没有多大意义，因为它会在序列中引入缺失值并从未来泄漏信息。

时间序列模型从历史值中学习，以预测未来。在遗漏交叉验证中，您会从系列中删除观察结果，包括过去的观察结果，这会导致数据丢失。接下来，sch 交叉验证策略需要模型能够以某种方式处理缺失数据，或者需要一些外部策略来处理它们，并且基本上会测试模型处理缺失数据的能力。仅当可以假设样本是独立的时才可以使用简单的交叉验证，而时间序列绝不是这种情况（除非您假设它是随机噪声）。

对于时间序列数据，如Hyndman 和 Athanasopoulos (2018)所述，我们提前一步进行交叉验证，我们使用样本来预测值（或者值），其中我们使用不同的值，如下图所示（也由Hyndman 和 Athanasopoulos，2018 年）。$1,\dots,k$$k+1$$k+1,\dots, k+m$$k$

这种策略测试您要测试的内容，即您的模型从过去预测未来的能力如何。此外，它还测试了模型处理不断变化的数据的能力，这种情况在这种情况下很常见，因为您通常不会使用静态训练样本进行单一预测，而是想要一个可以重新训练的模型新数据并且会适应。

评论 LSTM 网络

既然你明确询问了 LSTM，

假设 LSTM 学习的输入序列（固定长度）是独立的。所以我的问题是，是否可以像在横截面数据问题的情况下一样忽略一个序列进行验证。

让我对此发表评论。上述答案也适用于 LSTM 网络。LSTM 网络通过使用滑动 LSTM 窗口来学习数据中的时间依赖性，因此不假定序列是独立的，因为“长期记忆”的概念是依赖性假设。通常，序列是按照这个Keras 代码示例生成的（另请参阅本教程以获取带有描述的代码）：

sentences = []
next_chars = []
for i in range(0, len(text) - maxlen, step):
   sentences.append(text[i: i + maxlen])
   next_chars.append(text[i + maxlen])

如您所见，循环用于遍历您的数据并创建一个滑动窗口，该窗口会产生step大小跳跃，其中step小于maxlen. 所以序列是依赖的。即使您使用stepequal to maxlen，您仍然会通过选择模型来假设时间依赖性。

接下来，删除其中一个序列会导致引入缺失数据。使用简单的交叉验证会引入偏差，因为您将衡量您的模型在缺失数据情况下的工作方式，而不是它对未来的预测效果如何。对于时间序列，您应该使用提前一步交叉验证。