假设我有一个时间序列数据集，使用 90% 作为训练集，10% 作为随机验证集。如何评估 ARIMA 模型的准确性？
我是否必须auto.arima使用 100% 的完整数据集来拟合 ARIMA 模型，并迭代地将其重新拟合到训练集forecast::Arima以预测验证集？
或者
我是否必须auto.arima使用训练集迭代地拟合 ARIMA 模型并预测验证集，从而每次都使用不同的模型而不进行重新拟合？
我一直认为这是第一个，但是，我的模型在使用傅里叶项来合并多个季节性时会做一些奇怪的事情。
如果有人可以帮助我，将不胜感激。
我强烈推荐阅读 Rob Hyndman 的《预测：原则与实践》中关于交叉验证时间序列模型主题的“评估预测准确性”（第 3.4 节）。
https://otexts.com/fpp2/accuracy.html
您的交叉验证技术很可能取决于您要预测的内容。有许多不同的交叉验证时间序列模型的技术。
示例 #1 - 假设我有 2014-2018 年的月销售额，我想建立一个模型来预测 2019 财年的月销售额。我将在 2014-2017 年训练我的 ARIMA 模型并预测 12 个月，然后比较我的结果使用平均绝对百分比误差（MAPE，在 Hyndman 的书中也讨论过）等技术，将预测与我作为测试集的 2018 年实际月度销售额进行比较。话虽如此，随着您从上一个当前数据点进一步预测，您的预测间隔将变得越来越大。
示例 #2 - 月销售额的相同预测问题。我也可以在 2014 年 1 月到 2017 年 12 月训练模型，然后提前 1 个月预测这个时间。然后在 2014 年 1 月 - 2018 年 1 月训练模型，预测 2018 年 2 月，然后训练 2014 年 1 月 - 2018 年 2 月，预测 2018 年 3 月，依此类推。下图很好地描述了这种方法。
书中讨论了其他交叉验证的方法，我再次推荐阅读。R 有很多很棒的时间序列特定的交叉验证功能，例如 tsCV() 函数。
希望这可以帮助。祝你好运！