这问题问得很关键——时间序列的 train/test 拆分和传统结构化数据完全不一样，70/30 不是放之四海而皆准的答案，得结合数据特性和你的预测目标来定，咱们一步步说：

• 优先保证训练集能覆盖所有数据模式：时间序列的核心是趋势、季节性、周期性这些时间依赖的模式。如果你的数据有明显的年季节性，那训练集至少得包含完整的1-2个年度周期，不然模型学不到季节波动规律。比如你只有18个月的月数据，那70/30拆分后训练集是12.6个月，刚好覆盖1个完整年度，这时候70/30是可行的；但如果数据量很大（比如5年的日数据，共1825条），那80/20甚至90/10都没问题，因为训练集足够多，能充分捕捉各种模式。
• 测试集要匹配真实预测时长：如果你要做的是未来30天的预测，那测试集至少得有30天的数据，这样才能准确评估模型的短期预测能力。如果你的测试集太短，评估结果会有很大随机性；太长的话，又会挤占训练集的样本量，导致模型学不到足够的历史规律。

总结下来：数据量小的时候，可能偏向70/30或75/25；数据量大的时候，80/20、85/15甚至90/10都是常见选择，核心是平衡“训练集的模式覆盖度”和“测试集的预测场景模拟度”。

你提到的“最新数据”恰恰是关键——绝对不能把测试集放在开头！原因很简单：

真实场景下，我们是用过去的历史数据训练模型，去预测未来的未知数据。如果把测试集放在开头，相当于用后面的“未来数据”去训练模型，再让它预测更早的“过去数据”，这完全违背了真实的预测逻辑，得到的评估结果毫无参考价值——现实中你不可能提前拿到未来的数据来训练模型。

正确的做法是把时间上最晚的一段连续数据作为测试集，这样评估出来的模型性能，才是它在真实预测场景下的表现。比如你有2020-2023年的日数据，那应该把2023年的全部或最后3个月的数据作为测试集，用2020-2022年的数据训练。

如果你的数据量允许，建议用**滚动时间交叉验证（Walk Forward Validation）**来替代单次拆分——简单说就是不断移动训练集和测试集的窗口，比如先用2020-2021年训练，预测2022年1月；然后用2020-2022年1月训练，预测2022年2月，以此类推。这种方式能更全面地评估模型在不同时间阶段的表现，避免单次拆分的随机性。

内容的提问来源于stack exchange，提问作者Veliko