تعد أهداف التعلم جزءاً أساسياً من تدريب نماذج التنبؤ الزمني. في العادة، تعتمد الأهداف الحالية مثل الخطأ التربيعي المتوسط على اعتبار كل خطوة مستقبلية كمعالجة مستقلة متساوية الوزن، مما يؤدي إلى مشكلتين رئيسيتين: الأولى أن هذه الأساليب تتجاهل تأثير الارتباط الذاتي للعلامات بين الخطوات المستقبلية، والثانية أنها تفشل في تحديد أوزان متغايرة لمهام التنبؤ المختلفة. لتجاوز هذه القيود، قدم الباحثون خوارزمية جديدة تعتمد على هدف تعلم ذو صيغة رباعية، مما يتيح معالجة كلا الأمرين في آن واحد. تركز الخوارزمية الجديدة، المعروفة باسم Quadratic Direct Forecast (QDF)، على تحديث مصفوفة الوزن بشكل ديناميكي خلال عملية التدريب، وهو ما يؤدي إلى تحسين أداء نماذج التنبؤ التقليدية بشكل ملحوظ. نتائج التجارب أظهرت أن QDF تحقق نتائج متقدمة مقارنة بالسابق، مما يجعلها نقطة تحوّل في مجال التنبؤ الزمني. يمكن العثور على رمز البرمجة المستخدم في هذه الخوارزمية هنا.