Este trabalho foi publicado pelo Galoá e tem um DOI depositado. Para citar este trabalho, use um dos padrões abaixo:
Caso você seja um dos co-autores e queira cadastrar esse trabalho no seu Currículo Lattes, use o seguinte código: doi > 10.59254/sbpo-2026-232237
Se você NUNCA registrou um DOI no seu Lattes, veja nosso tutorial!In multi-series forecasting, a model trained on sliding windows is deployed to forecast known or unseen realizations. Prior work on cross-validation for time series focuses on the single-series regime and defaults to temporal splits, leaving the multi-series setting underexplored. We compare four strategies across seven datasets, evaluating calibration bias, model-selection ability, and autoregressive robustness under both temporal and group generalization. Results reveal a bias--coverage trade-off: shuffled $k$-fold attains the lowest mean absolute bias in both scenarios, yet its confidence intervals rarely cover the test error under group holdout. Group-aware and temporal splits trade slightly higher bias for markedly better coverage, and are statistically indistinguishable from each other on both axes. Well-calibrated strategies also select near-optimal window sizes, and findings extend to multi-step prediction. Any strategy respecting the deployment scenario's structure is a reasonable default, once expanding-window folds too small to represent the deployed model are discarded before averaging.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo