Quais métodos de validação de modelos de séries temporais excluem a visualização do futuro durante o treino?

Ao trabalhar com séries temporais, é importante evitar a fuga de informações futuras no treino do modelo para garantir uma avaliação justa da sua qualidade. Para isso, são utilizados métodos de validação especiais:

• Divisão de Séries Temporais (Validação de Avanço Progressivo) — os dados são divididos em janelas temporais sequenciais. O modelo é treinado com dados até um determinado momento e testado no próximo intervalo de tempo. Depois, a janela é deslocada para frente.

• Origem de previsão móvel — semelhante à divisão de séries temporais, mas com uma expansão progressiva do conjunto de treino, que imita um cenário de previsão real.

• Validação cruzada bloqueada — os dados são divididos em blocos por tempo, e os blocos de treino e teste não se sobrepõem nem são adjacentes para excluir a correlação.

• K-Fold purgado — ao dividir em dobras, os períodos próximos às fronteiras entre o amostra de treino e de teste são removidos para evitar vazamentos.

Estes métodos garantem que, durante o treino, o modelo não veja dados futuros, o que é crítico para séries temporais.