La valutazione delle previsioni di serie temporali deve adottare benchmark specifici per tassonomia

Un nuovo studio su arXiv (2603.15506) esamina criticamente come valutiamo i modelli di intelligenza artificiale e machine learning utilizzati per le previsioni di serie temporali. Lo studio sottolinea che i metodi di valutazione attuali si basano fortemente su benchmark con forti pattern stagionali. Gli autori hanno scoperto che molti di questi dataset presentano un'autocorrelazione significativa, che modelli lineari più semplici possono gestire altrettanto bene quanto approcci di deep learning più complessi. Suggeriscono che il campo dovrebbe eliminare gradualmente o aggiornare i benchmark esistenti per includere dataset con varie caratteristiche non stazionarie, come rotture strutturali e volatilità variabile nel tempo. I ricercatori evidenziano che senza valutazioni su misura per queste caratteristiche specifiche, i progressi dichiarati potrebbero essere fuorvianti e i costi computazionali dei modelli complessi potrebbero non essere giustificati.