Time Series 简明教程

Time Series - Walk Forward Validation

在时间序列建模中，随着时间的推移，预测会变得越来越不准确，因此根据实际数据重新训练模型是一种更为现实的方法，因为它可以用于进一步预测。由于统计模型的训练并不耗时，因此按步进验证是获得最准确结果的最优解决方案。

我们对数据应用一步按步进验证，并将其与我们之前获得的结果进行比较。

[333] 中：

prediction = []
data = train.values
for t In test.values:
   model = (ExponentialSmoothing(data).fit())
   y = model.predict()
   prediction.append(y[0])
   data = numpy.append(data, t)

[335] 中：

test_ = pandas.DataFrame(test)
test_['predictionswf'] = prediction

[341] 中：

plt.plot(test_['T'])
plt.plot(test_.predictionswf, '--')
plt.show()
code snippet18

[340] 中：

error = sqrt(metrics.mean_squared_error(test.values,prediction))
print ('Test RMSE for Triple Exponential Smoothing with Walk-Forward Validation: ', error)
Test RMSE for Triple Exponential Smoothing with Walk-Forward Validation:  11.787532205759442

我们可以看到，现在我们的模型执行得明显更好。事实上，趋势被跟踪得如此紧密，以至于在图中预测与实际值重叠。你也可以尝试对 ARIMA 模型应用按步进验证。