多变量时间序列预测在众多领域中发挥着重要作用，其预测结果依赖于协变量之间复杂的相互作用。然而，预测精度同时反映了模型能力和任务本身的可预测性，这使得研究者难以在不依赖具体模型的情况下，独立刻画某个预测任务的难度。现有可预测性度量往往无法捕捉非线性依赖关系，或者仅适用于单变量序列。针对这一问题，Yuxuan Shu 等作者在 arXiv 上提交的论文《Model-agnostic predictability quantification of multivariable time series》（多变量时间序列的模型无关可预测性量化）提出了一种新的度量方法。
该论文于 2026 年 10 月 23 日提交，属于机器学习（cs.LG）类别，编号为 arXiv:2610.33209v1，作者为 Yuxuan Shu 及另一位合作者。论文指出，预测模型通常在大量基准数据集上进行评估，但单一的精度指标无法区分“模型强”与“任务简单”这两种情况，因此需要一种与模型无关的指标来衡量任务内在的可预测性。
为此，作者提出了多变量可预测性得分（Multivariable Predictability Score，简称 MAPS）。这是一种模型无关的度量，用于衡量多变量时间序列预测任务的内在可预测性。MAPS 利用协变量信息，在不同的回看窗口和预测时间跨度下评估可预测性，并对可用于预测的预测信息做出定量评估。这意味着，研究者可以在不训练具体模型的情况下，判断某个预测任务本身包含多少可利用的信号。
在实验部分，作者在合成数据集和真实世界预测数据集上对 MAPS 进行了评估，并与 6 种基线可预测性度量方法进行了对比。在合成数据上的结果确认，该方法与预期的参考可预测性高度一致，相关系数达到 r=0.963。实证结果进一步表明，在大多数实验配置下，MAPS 能够给出更可靠的预测信息评估。
论文还提供了代码链接，方便社区复现和进一步验证。总体而言，这项工作为多变量时间序列预测任务提供了一个模型无关的难度量化工具，有助于研究者在模型评估之外，更清晰地理解任务本身的可预测性边界。