在多变化点分析中，一个主要的挑战是估计变化点的数量。大多数现有方法都试图最小化Schwarz信息标准，该标准平衡了术语量化模型与惩罚术语之间的匹配关系，考虑到模型复杂性随变化点数量的增加而增加，并限制过拟合。然而，不同的惩罚条件需要适应多个变点问题的不同背景，最佳惩罚幅度通常因模型和误差分布而异。我们提出了一个数据驱动的选择准则，该准则适用于大多数流行的变化点检测方法，包括二进制分割和最优分割算法。其关键思想是选择改变点的数量，以最小化平方预测误差，该预测误差用于测量指定模型对新样本的拟合度。我们提出了一种基于顺序预留样本分割策略的交叉验证估计方案，并在一些温和的条件下建立了其渐近选择一致性。通过各种数值实验和实际数据示例，证明了所提选择准则的有效性。