Naukowcy z University of York i Helmholtz AI zaproponowali nową metrykę MAPS do pomiaru wewnętrznej przewidywalności wielowymiarowych szeregów czasowych niezależnie od konkretnego modelu prognostycznego. Problem polega na tym, że dokładność prognoz zależy zarówno od zdolności modelu, jak i od samej przewidywalności zadania - trudno więc ocenić trudność prognozy bez wpływu konkretnego narzędzia.
Istnieją już różne miary przewidywalności, ale zwykle mają znaczące ograniczenia. Działają tylko na szeregach jednowymiarowych, nie potrafią uchwycić złożonych zależności nieliniowych między zmiennymi lub wymagają konkretnego modelu do działania. MAPS rozwiązuje te problemy, wykorzystując informacje z wielu zmiennych do oceny, ile informacji predyktywnych dostępnych jest dla prognozy w różnych oknach czasowych i horyzontach prognozy.
Badacze przetestowali MAPS na danych syntetycznych i rzeczywistych zestawach danych do prognozowania szeregów czasowych, porównując wyniki z sześcioma istniejącymi miarami. Na danych syntetycznych MAPS uzyskał korelację 0.963 z oczekiwaną przewidywalnością - co pokazuje, że dokładnie odzwierciedla rzeczywistą trudność zadania. Na rzeczywistych danych MAPS dawał bardziej niezawodne oceny w większości konfiguracji eksperymentalnych, co sugeruje praktyczną użyteczność dla oceny zarówno trudności zadań prognostycznych, jak i rzeczywistych zdolności modeli.