热点事件观察中
研究团队提出多变量时间序列可预测性度量指标MAPS
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
2026年10月27日，研究人员在 arXiv 发布成果，提出了一种名为 MAPS（Multivariable Predictability Score）的模型无关度量指标，用于量化评估多变量时间序列预测任务的内在可预测性。该指标利用协变量信息，评估不同回溯窗口与预测周期下的预测信息。在合成数据集上的测试显示，MAPS 与参考可预测性的相关系数达到 r=0.963，并在多数实验配置中表现优于 6 个基线度量。目前，该研究的相关代码已对外开源。
AI 根据报道生成 · 4 小时前更新
最新进展10月27日 12:00
研究人员提出模型无关度量指标MAPS以量化时间序列可预测性，代码已开源。报道时间线
沿着报道，了解事件的不同侧面。
10月27日
- arXiv 机器学习多变量时间序列的模型无关可预测性量化
研究人员提出模型无关度量指标 MAPS（Multivariable Predictability Score），用于量化评估多变量时间序列预测任务的内在可预测性。该指标利用协变量信息评估不同回溯窗口与预测周期下的预测信息，在合成数据集上与参考可预测性的相关系数达 r=0.963，并在多数实验配置中表现优于 6 个基线度量。相关代码已开源。
本事件热度走势
当前热度 5·可比范围峰值 5（10月28日 11:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。