この記事では、時系列予測におけるアンサンブル手法の可能性を探求しています。従来の手法は単純な線形組み合わせが主流でしたが、研究者たちは33種類のアンサンブルモデルを50の実世界データセットで比較検討しました。その結果、スタッキング手法が常に予測精度を向上させることが示されましたが、すべてのタスクで最適なスタッカーは存在しませんでした。そこで、異なるスタッカーモデルの強みを組み合わせた多層スタッキングフレームワークを提案し、さまざまな予測シナリオにおいて優れた精度を提供できることを証明しました。この発見は、時系列予測のためのAutoMLシステム改善の可能性を強調しています。