Naukowcy z arXiv zidentyfikowali Paradoks Ziarnistości w prognozowaniu szeregów czasowych, gdzie dłuższe dane - wymiarów od roku przez miesięc do dni - pokazują sprzeczne wyniki między jakością dopasowania na zbiorze treningowym a dokładnością prognoz przyszłych wartości. Problem polega na tym, że bardziej szczegółowe podziały czasowe dodają więcej punktów danych, co inicjjalnie wydaje się korzystne dla modeli, lecz jednocześnie wydłuża horyzont prognozy i amplifikuje błędy rekurencyjnie propagujące się przez każdy kolejny krok czasowy.
W eksperymencie przebadano 10 różnych architektur: od prostych modeli naiwnych, przez klasyczne podejścia statystyczne jak Holt-Winters, aż po głębokie sieci neuronowe typu LSTM na zbiorze 13-letnich danych zamówień publicznych. Wyniki były zaskakujące - Holt-Winters osiągnął Test R-squared -151 przy prognozowaniu dziennym, podczas gdy LSTM wykazał krzywiznę U-kształtną: najgorsza dokładność przy danych dwutygodniowych (35,94% błędu), ale powrót do doskonałych wyników przy danych dziennych (4,35% błędu). Regresja liniowa pozostała stabilna na wszystkich poziomach ziarnistości (16,3-17,0% błędu), co wskazuje że problem nie leży w złożoności modelu, ale w topologii rekurencyjnego sprzężenia zwrotnego.
Znajomości to pokazuje że standardowe metryki punktowe jak RMSE czy MAE maskują kumulacyjne rozprzestrzenianie się błędów i mogą prowadzić do wprowadzających w błąd wniosków. Badanie podkreśla znaczenie używania metryk zależnych od celu (cumulative metrics) przy ewaluacji prognoz, szczególnie gdy horyzont czasowy rośnie wraz z granularością danych. Wnioski mają praktyczne znaczenie dla organizacji zajmujących się prognozowaniem popytu, zarządzaniem zasobami czy planowaniem finansowym.