تواجه تنبؤات السلاسل الزمنية المتعددة المتغيرات (Multivariate Time Series Forecasting) تحديات فريدة، حيث تتفاعل المتغيرات المستقبلية غالبًا تحت ديناميكيات نظام مشترك. بينما تركز الدراسات الحالية بشكل أساسي على الاعتمادات بينها في الملاحظات التاريخية، فإن الاعتمادات بين القيم المستقبلية لا تزال غير مستكشفة تمامًا.

تسير النماذج الحديثة في غالبها وفق نموذج التنبؤ المباشر (Direct Forecasting - DF)، حيث تُنتَج التنبؤات متعددة الخطوات بأهداف نقطة لا تُقيد الهيكلية المتقاطعة بين المتغيرات. في هذه الدراسة، تم تسليط الضوء على أن الهدف من نموذج DF غير متوافق في ظل وجود اعتمادات بين المتغيرات المتقاطعة والمتأخرة، مما يكشف عن فجوة في الأهداف.

للتصدي لهذه المشكلة، قدم الباحثون نموذج خسارة المتغيرات المتقاطعة (Cross-Variable Loss - CvLoss)، وهو مُنظم هيكلي يُضاف للنموذج ويقيد الفروق الناتجة عن التنبؤ على شبكة متغيرات متقاطعة. يقوم CvLoss بمعاقبة الفروق غير المتسقة بين المتغيرات عبر فترات التنبؤ، مما يشجع على التناسق بين التفاعلات المتزامنة وغير المتزامنة. وأظهرت التجارب أن CvLoss يعمل بشكل متسق على تحسين نماذج التنبؤ التنافسية، متفوقًا على أهداف التعلم الممثلة الأخرى، كما أنه يتوافق مع مجموعة متنوعة من الهياكل المستخدمة في التنبؤ.