- 时间序列预测从根本上比经典机器学习更难，因为数据来自单一依赖路径（数据生成过程），而非独立同分布的样本。
- 三个主要挑战是：信噪比低（特征贫乏）、有效数据不足（自相关会缩小样本量，周期比时间戳更重要）以及严重的分布偏移（预测是外推而非内插）。
- 平稳性、遍历性和自相关是决定时间序列过程是否可学习的关键属性，但即便满足这些属性，白噪声表明可学习并不保证可预测性。
- 不同的预测模型（Naive、ARIMA、神经网络、基础模型）本质区别在于读取的滞后项和利用的依赖关系类型，但对于本身可预测性低的序列效果有限。
- 主要结论是：单纯使用更复杂的模型或汇集数据无法解决根本限制；相反，融入外部（外生）特征可能是现实世界预测中更有前景的方向。