我有一个由60个数据点组成的时间序列数据集。我将数据集分为两个部分：训练（前70％的数据）和测试集（后30％的数据）。使用Matlab的fitrsvm函数，我在训练数据集上建立了支持向量回归模型，并试图预测测试数据集中的时间序列数据点。我有svr模型可以很好地近似训练数据集。但是，它甚至没有尝试概括测试数据集，它只是严重地拟合了数据，即给出了一条直线，甚至没有经过测试数据集上的任何数据点。有人知道为什么会这样吗？数据集是否太小，即只有60个数据点？进行交叉验证是否有意义？我认为进行交叉验证没有任何意义，因为我正在尝试预测最后30％的数据。我试图更改参数等，但没有帮助。
答案 0 :(得分：0)
关于总体性能：在应用SVR之前，您是否尝试过使时间序列固定（通过微分或通过功率变换）或对其进行归一化？这些可能会有所帮助-有时将NNets应用于时间序列会有所帮助。
关于简历： 有一些方法可以对时间序列进行交叉验证。首先，您可以进行时间序列CV分割（在Python Scikit-learn和R中可用），我想它也会在Matlab中出现。
[1, 2, 3], [4, 5]
[1, 2, 3, 4], [5, 6]
[1, 2, 3, 4, 5], [6, 7].
这适用于任何时间序列预测方法。
但是，由于您使用的是SVR，因此您甚至可以使用普通的交叉验证（不适用于ARIMA或Holt-Winters之类的东西）。
这是因为，最近，Bergmeir，Hyndman和Koo表明，对于纯自回归模型（例如AR（p）模型，神经网络或支持向量回归），甚至可以使用常规CV。您可以格式化训练数据，使其看起来像是受监督的机器学习问题，而不是时间序列问题。
要了解其工作原理，首先需要注意的是，纯自回归方法仅使用固定数量的前一个周期，因此它不是：
[1, 2, 3], [4]
[1, 2, 3, 4], [5]
[1, 2, 3, 4, 5], [6]
[1, 2, 3, 4, 5, 6], [7]
例如，您将拥有（对于3阶（即3个滞后）自回归模型）：
[1, 2, 3], [4]
[2, 3, 4], [5]
[3, 4, 5], [6]
[4, 5, 6], [7]
然后，您需要考虑ML格式而不是时间序列格式的数据：
[1, 2, 3 | 4]
[2, 3, 4 | 5]
[3, 4, 5 | 6]
[4, 5, 6 | 7]
因此，您的数据点不仅是像[4]这样的单个值，而且是具有3个输入和一个目标值的向量： [1、2、3 | 4]
在这种情况下，使用常规交叉验证（而不是时间序列交叉验证）是有效的，因为依赖性不再是问题，您可以在以下方面训练模型：
[2, 3, 4 | 5]
[3, 4, 5 | 6]
[4, 5, 6 | 7]
并测试：
[1, 2, 3 | 4]
然后在以下位置训练模型：
[1, 2, 3 | 4]
[3, 4, 5 | 6]
[4, 5, 6 | 7]
并测试：
[2, 3, 4 | 5]
以此类推。...
有关详细信息，请参见Christoph Bergmeir，Rob J Hyndman和Bonsoo Koob撰写的“关于交叉验证在评估自回归时间序列预测中的有效性的注解”。