Time-Series-Library项目中时序预测任务的数据集划分策略解析

在时序预测任务中，训练集、验证集和测试集的合理划分对于模型性能评估至关重要。Time-Series-Library项目在处理ETT_h1等数据集时采用了一种特殊的划分策略，这种策略虽然保证了实验的严谨性，但也带来了一些值得注意的特点。

数据集划分的动态调整机制

传统机器学习中，数据集的划分比例通常是固定的。但在Time-Series-Library中，测试集的大小会随着预测长度(pred_len)的变化而动态调整。这种设计背后的核心考虑是：

1. 时序数据的连续性：时序数据具有严格的时间先后关系，必须确保测试数据不会"泄露"到训练过程中
2. 输入输出窗口的完整性：模型预测需要同时考虑输入序列(seq_len)和输出序列(pred_len)的完整性

技术实现原理

项目通过预留输入和输出长度的空白区域来实现这一机制。具体表现为：

• 测试集的实际可用数据量 = 原始测试集长度 - (seq_len + pred_len)
• 预测长度pred_len增加时，为保证预测窗口完整，必须相应减少测试集的实际可用数据量
• 训练集和验证集的大小则保持不变

对模型评估的影响

这种动态调整策略带来了几个重要影响：

1. 公平性挑战：不同模型如果使用不同的输入长度(seq_len)，实际上是在不同大小的测试集上评估
2. 结果可比性：直接比较使用不同seq_len的模型结果可能存在偏差
3. 超参数选择：输入长度的选择不仅影响模型性能，还会影响测试集规模

项目中的解决方案

Time-Series-Library针对这一问题提供了两种评估方案：

1. 统一超参数模式：固定输入长度为96，确保所有模型在相同条件下比较
2. 搜索超参数模式：允许输入长度在96-720之间调整，更灵活但需注意比较的公平性

这种设计体现了时序预测任务中数据处理的特殊性，也提醒研究者在进行模型比较时需要特别注意实验设置的一致性。理解这一机制对于正确解读时序预测模型的性能评估结果至关重要。