Quali metodi di validazione dei modelli di serie temporali escludono la visualizzazione del futuro durante l'addestramento?

Lavorando con serie temporali, è importante evitare che le informazioni future trapelino nell'addestramento del modello per garantire una valutazione equa della sua qualità. A tal fine, vengono utilizzati metodi di validazione speciali:

• Suddivisione delle serie temporali (Validazione a passo avanti) — i dati vengono suddivisi in finestre temporali sequenziali. Il modello viene addestrato sui dati fino a un certo momento e testato sull'intervallo temporale successivo. Poi, la finestra viene spostata in avanti.

• Origine di previsione rotante — simile alla suddivisione delle serie temporali, ma con un'espansione progressiva del set di addestramento, che imita uno scenario di previsione reale.

• Validazione incrociata bloccata — i dati vengono suddivisi in blocchi temporali, e i blocchi di addestramento e test non si sovrappongono né sono adiacenti per escludere la correlazione.

• K-Fold purificato — durante la suddivisione in fold, i periodi vicini ai confini tra il set di addestramento e quello di test vengono rimossi per evitare fughe di informazioni.

Questi metodi garantiscono che, durante l'addestramento, il modello non veda dati futuri, il che è critico per le serie temporali.