多變量時間序列預測在眾多領域中發揮着重要作用，其預測結果依賴於協變量之間複雜的相互作用。然而，預測精度同時反映了模型能力和任務本身的可預測性，這使得研究者難以在不依賴具體模型的情況下，獨立刻畫某個預測任務的難度。現有可預測性度量往往無法捕捉非線性依賴關係，或者僅適用於單變量序列。針對這一問題，Yuxuan Shu 等作者在 arXiv 上提交的論文《Model-agnostic predictability quantification of multivariable time series》（多變量時間序列的模型無關可預測性量化）提出了一種新的度量方法。
該論文於 2026 年 10 月 23 日提交，屬於機器學習（cs.LG）類別，編號為 arXiv:2610.33209v1，作者為 Yuxuan Shu 及另一位合作者。論文指出，預測模型通常在大量基準數據集上進行評估，但單一的精度指標無法區分“模型強”與“任務簡單”這兩種情況，因此需要一種與模型無關的指標來衡量任務內在的可預測性。
為此，作者提出了多變量可預測性得分（Multivariable Predictability Score，簡稱 MAPS）。這是一種模型無關的度量，用於衡量多變量時間序列預測任務的內在可預測性。MAPS 利用協變量信息，在不同的回看窗口和預測時間跨度下評估可預測性，並對可用於預測的預測信息做出定量評估。這意味着，研究者可以在不訓練具體模型的情況下，判斷某個預測任務本身包含多少可利用的信號。
在實驗部分，作者在合成數據集和真實世界預測數據集上對 MAPS 進行了評估，並與 6 種基線可預測性度量方法進行了對比。在合成數據上的結果確認，該方法與預期的參考可預測性高度一致，相關係數達到 r=0.963。實證結果進一步表明，在大多數實驗配置下，MAPS 能夠給出更可靠的預測信息評估。
論文還提供了代碼鏈接，方便社區復現和進一步驗證。總體而言，這項工作為多變量時間序列預測任務提供了一個模型無關的難度量化工具，有助於研究者在模型評估之外，更清晰地理解任務本身的可預測性邊界。