时间序列 - 向前验证

在时间序列建模中，随着时间的推移，预测变得越来越不准确，因此用实际数据重新训练模型是一种更现实的方法，因为它可以用于进一步的预测。 由于统计模型的训练不耗时，因此前向验证是获得最准确结果的首选解决方案。

让我们对我们的数据应用一步前向验证，并将其与我们之前得到的结果进行比较。

In [333]:

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)

In [335]:

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

In [341]:

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

In [340]:

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

我们可以看到我们的模型现在表现得更好。 事实上，趋势如此密切，以至于在图上预测与实际值重叠。 您也可以尝试在 ARIMA 模型上应用前向验证。