R语言时间序列LOOCV报错：时间序列/向量长度不匹配及修正咨询

问题背景 #

数据集生成代码：

weeks <- rep(seq(as.Date("2010-01-01"), as.Date("2023-01-01"), by = "week"), each = 1)
counts <- rpois(length(weeks), lambda = 50)
df <- data.frame(Week = as.character(weeks), Count = counts)

目标是对数据拟合时间序列模型并执行交叉验证，步骤为：

• 按时间顺序用70%的数据拟合模型
• 预测下一个点（步长h=1）
• 记录预测误差
• 重复滚动预测剩余30%数据
• 计算平均RMSE、MAE

编写的初始化代码：

# Split data into training and test sets
train_size <- floor(0.7 * nrow(df))
train <- df[1:train_size, ]
test <- df[(train_size + 1):nrow(df), ]

# Fit ARIMA model to training data
model <- auto.arima(train$Count)

# Initialize vector to store prediction errors
errors <- vector("numeric", length = nrow(test))

rmse_vec <- numeric()
mae_vec <- numeric()

循环代码：

# Loop over test set
for (i in seq(train_end+1, n)) {
    
    # Split data into training and validation sets
    train <- df[1:(i-1), ]
    val <- df[i:(i+1), ]
    
    # Fit ARIMA model to training data
    model <- auto.arima(train$Count)
    
    # Forecast one step ahead using the model and record error
    fc <- forecast(model, h = 1)
    error <- val$Count - fc$mean
    
    # Record RMSE and MAE
    rmse_vec[i - train_end - 1] <- sqrt(mean(error^2))
    mae_vec[i - train_end - 1] <- mean(abs(error))
    
    # Update training data with actual count
    train$Count <- c(train$Count, val$Count[1])
}

# Compute mean RMSE and MAE
mean_rmse <- mean(rmse_vec)
mean_mae <- mean(mae_vec)

运行时出现错误：

Error in `-.default`(val$Count, fc$mean) : 
  time-series/vector length mismatch

错误原因分析 #

1. 长度不匹配：val <- df[i:(i+1), ]取了两行数据，val$Count是长度为2的向量，但forecast(model, h=1)只生成1个预测值，两者相减时长度不匹配。
2. 未定义变量：循环中使用的train_end和n未提前定义，会导致循环起始位置错误。
3. 冗余操作：循环内每次重新从原始数据截取train <- df[1:(i-1), ]，后续train$Count <- c(train$Count, val$Count[1])属于冗余操作，不会影响下一次循环的训练集。
4. 误差计算逻辑错误：单个预测点的误差不需要用mean()计算RMSE/MAE，直接用单个误差值即可，后续再基于所有误差计算整体的RMSE和MAE。

修复后的代码 #

# 初始化核心变量
train_size <- floor(0.7 * nrow(df))
train_end <- train_size
n <- nrow(df)
errors <- numeric(n - train_end)  # 存储每个预测点的误差

# 滚动预测循环
for (i in (train_end + 1):n) {
    # 截取训练集（到当前点的前一个）和验证点（当前点）
    train <- df[1:(i-1), ]
    val <- df[i, ]
    
    # 拟合ARIMA模型
    model <- auto.arima(train$Count)
    
    # 1步预测并计算误差
    fc <- forecast(model, h = 1)
    error <- val$Count - as.numeric(fc$mean)
    
    # 存储误差
    errors[i - train_end] <- error
}

# 计算整体RMSE和MAE
mean_rmse <- sqrt(mean(errors^2))
mean_mae <- mean(abs(errors))

# 输出结果
cat("平均RMSE:", mean_rmse, "\n")
cat("平均MAE:", mean_mae, "\n")

关于时间序列交叉验证方法的说明 #

你当前实现的是滚动原点交叉验证（Rolling Origin Cross-Validation），这是时间序列预测中常用的验证方法，符合你设定的"从70%数据开始滚动预测剩余30%"的需求。

而严格意义上的LOOCV（留一交叉验证）是指每次仅保留一个样本作为测试集，用其余所有样本训练模型，循环遍历所有样本。但这种方法在时间序列场景中很少使用，因为它忽略了时间序列的顺序依赖性（会用未来数据训练模型预测过去），不符合时间序列预测的实际逻辑。如果你的目标是严格的LOOCV，需要调整循环逻辑，但不建议在时间序列任务中使用。

内容的提问来源于stack exchange，提问作者stats_noob