简短的回答是，如果您对时间序列使用留一法 CV，您将根据未来的数据拟合模型参数。最简单的方法就是用相同的数据写出两个过程的样子。这使得差异非常明显。按照 Hyndman 的符号，让为时间序列，为构建模型所需的最小点数。然后 Hyndman 描述的过程如下$y(1), \ldots, y(T)$$m$

For t = m to T-1:
    Fit model with y(1), ... y(t)
    e(t+1) = y(t+1) - y*(t+1)
Calculate MSE of e(m+1) to e(T)

对于留一式简历，程序看起来像

For t = 1 to T:
    Fit model with y(1), ..., y(t-1), y(t+1), ..., y(T)
    e(t) = y(t) - y*(t)
Calculate MSE of e(1) to e(T)

请注意，在时间序列版本中，我们实际上是如何使用不同数量的点来拟合每个模型，即。将此与始终使用点的其他版本进行比较。$m, m+1, \ldots, T-1$$T-1$

这两种解释都对，但它们适用于不同的情况。像往常一样，这一切都归结为如何获得数据的统计独立拆分的问题。

• 您链接的图像和您的描述适用于您重复测量时间序列的情况。
  在这种情况下，您可以从数据中省略完整的时间序列。想象一下，您想根据另一个时间序列的新完整测量来预测某些属性，例如脑电图读数的分类。您可以假设不同患者的 EEG 读数在统计上是独立的，并且仅使用完整读数的情况是明智的。在这种情况下，拆分数据的自然方式将是由患者进行。

• Hyndman 讨论了一种情况，即您基本上只有一个（正在进行的）时间序列测量值，并且您希望根据过去的测量值预测时间序列的未来值。因此，您按时间划分，未来意味着以下时间点都不知道。
  在 EEG 示例中，这对应于尝试预测给定患者的 EEG 的下一秒/分钟将是什么。
  当您想要测量模型的有效时间时，这种类型的拆分也很重要，请参见Esbensen, KH 和 Geladi, P.：正确验证的原则：使用和滥用重新采样进行验证，J Chemom，2010， 24, 168-187。

• 另一种您需要按时间和案例划分的情况是：假设您想对股票的未来价值进行预测。同样，您需要按案例（库存）进行拆分。但是，当然，被测试股票在给定时间的价值也可能（很可能）与当时其他股票的价值相关。因此，您还需要从模型训练中排除所有股票的所有“未来”数据。