في عالم الذكاء الاصطناعي وتعلم الآلة (Machine Learning)، يُعتبر التنبؤ بالسلاسل الزمنية من الأبعاد الأساسية التي تستدعي الانتباه، لاسيما مع تقدم التكنولوجيا. ومع ذلك، تكشف أحدث الأبحاث أن تقييم هذه النماذج، والذي يعتمد في الغالب على معايير قوية تسلط الضوء على الأنماط الموسمية، قد يعيق رؤية التقدم الحقيقي.

توضح الدراسة أن العديد من المجموعات المرجعية - benchmark datasets - المستخدمة غالباً ما تعرض أنماطاً ذاتية الارتباط قوية ودورات موسمية، مما يجعل النماذج التقليدية، مثل النماذج الخطية، قادرة على تحقيق نتائج مماثلة لتلك التي تحققها أنظمة التعلم العميق المعقدة. هذا يثير تساؤلات حول ما إذا كانت هذه التحسينات الطفيفة تستحق التكلفة العالية من حيث الجهد الحسابي وتعقيد النموذج.

لذلك، ينادي الباحثون بضرورة تحديث معايير التقييم الحالية من خلال إضافة بيانات جديدة تعكس مجموعة واسعة من حالات عدم الاستقرار، مثل الانقطاعات الهيكلية وال volatilité المتغيرة عبر الزمن وتحول المفهوم، فضلاً عن ديناميات أقل قابلية للتنبؤ.

كما يشددون على أهمية تقديم كل طلب للتعلم العميق مع معايير تقليدية قوية، بما يتناسب مع خصائص المهمة المستهدفة. بذلك، يمكن أن نضمن أن أي تحسن مُبلغ عنه يعكس تقدماً منهجياً علمياً حقيقياً، بدلاً من كونه نتيجة لاختيار مجموعات معيارية تفضل النماذج القادرة على التعلم من الأنماط الدورية.