La predicción espaciotemporal CDGAT incorpora incertidumbre, pero la precisión es solo la mitad de la prueba

La Universidad de Nápoles Parthenope ha presentado la predicción espaciotemporal CDGAT con un desafío directo a los modelos convencionales de predicción. En lugar de devolver una sola cifra aparentemente segura, el sistema genera posibles resultados y estima su incertidumbre. Esta distinción importa siempre que una previsión oriente decisiones sobre demanda eléctrica, congestión del tráfico o contaminación atmosférica.

CDGAT significa Conditioned Diffusion-based Graph Attention Network. Combina atención de grafos con un modelo de difusión, un sistema generativo que aprende a revertir un proceso gradual de incorporación de ruido. Los investigadores lo probaron con conjuntos de datos de electricidad, tráfico y medioambiente, según el recién publicado artículo sobre CDGAT.

La competencia central no enfrenta a CDGAT con un único rival comercial. Enfrenta la predicción probabilística con la práctica dominante de producir predicciones de valor único. CDGAT sostiene que la precisión sin una explicación útil de la incertidumbre deja a los operadores con una base incompleta para actuar.

El argumento es creíble, pero la evidencia tiene límites. Los resultados comunicados proceden de pruebas históricas de referencia, no de implementaciones controladas dentro de redes eléctricas u operaciones urbanas. Un modelo puede obtener una clasificación alta sin conexión mientras sigue teniendo dificultades ante cambios de comportamiento, sensores averiados, eventos poco frecuentes y plazos de respuesta estrictos.

Qué cambia la predicción espaciotemporal CDGAT

CDGAT trata la incertidumbre como parte de la predicción, en lugar de añadirla después a una predicción puntual.

Los datos espaciotemporales registran lo que cambia tanto según la ubicación como a lo largo del tiempo. Los sensores de carreteras, los contadores eléctricos y los monitores de contaminación son ejemplos habituales. Cada sensor produce una serie temporal, mientras que las conexiones entre ubicaciones forman una red.

Muchos sistemas de predicción modelan estas relaciones con una red neuronal de grafos. Un grafo representa las ubicaciones como nodos y sus conexiones como aristas. Después, la información se transmite entre nodos conectados para que el modelo pueda aprender cómo se relaciona la actividad de una ubicación con la de otra.

Esta estructura ayuda con cuestiones que los modelos convencionales de series temporales manejan mal. La congestión en una intersección puede afectar a otra carretera varios minutos después. El consumo eléctrico en ubicaciones vecinas puede aumentar a la vez bajo condiciones meteorológicas compartidas. La contaminación puede desplazarse entre zonas de monitorización mediante condiciones atmosféricas cambiantes.

Las redes de atención de grafos refinan esta idea aprendiendo qué relaciones merecen más peso. En vez de tratar a todos los vecinos por igual, la atención asigna distinta importancia a las señales disponibles. Los pesos pueden cambiar a medida que el modelo procesa observaciones diferentes.

CDGAT añade un proceso generativo de difusión a esa representación. Durante el entrenamiento, los métodos de difusión aprenden a reconstruir datos después de introducir ruido progresivamente. Durante la predicción, el modelo parte del ruido y genera muestras condicionadas por el historial disponible.

El muestreo repetido crea una distribución de previsiones plausibles. Esa distribución puede generar una predicción central, una dispersión de resultados e intervalos de predicción. Los operadores pueden así distinguir una previsión estrecha y estable de otra amplia e incierta.

El mecanismo de condicionamiento conecta la evidencia histórica con el proceso de eliminación de ruido. CDGAT utiliza representaciones de atención de grafos junto con variables externas, como información de calendario o meteorológica. La atención cruzada permite al componente generativo usar esas condiciones al construir muestras futuras.

El modelo también utiliza Denoising Diffusion Implicit Models, normalmente abreviado como DDIM. Este enfoque de muestreo puede omitir partes de una trayectoria de difusión estándar. El objetivo es reducir el cálculo repetido que suele ralentizar los sistemas de difusión.

Este diseño aborda dos problemas relacionados. La atención de grafos captura dependencias entre ubicaciones, mientras que la difusión representa un rango de futuros posibles. Ningún componente por sí solo ofrece la propuesta completa que sustenta la predicción espaciotemporal CDGAT.

Los investigadores también proponen un método para elegir cuánto historial debe usar cada serie. Una ventana retrospectiva demasiado corta puede pasar por alto ciclos relevantes. Una ventana excesiva puede introducir ruido y cálculo innecesario.

Su procedimiento K-means Correlation Dimension se basa en el análisis de sistemas dinámicos no lineales. Estima un límite histórico adecuado al examinar patrones en un espacio de estados reconstruido. El método busca una alternativa más fundamentada a elegir una única ventana mediante prueba y error repetidos.

Por tanto, el modelo cambia más que el formato de salida. Combina estructura relacional, historial temporal, contexto externo y generación probabilística en una sola canalización de predicción. Esa integración constituye la afirmación técnica más importante del artículo.

Por qué las predicciones únicas dejan expuestos a los operadores

Una previsión puntual puede ser estadísticamente precisa y seguir siendo operativamente engañosa.

Supongamos que un sistema predice que la demanda eléctrica alcanzará un nivel concreto mañana por la tarde. Esa cifra por sí sola no revela si los resultados cercanos están muy concentrados. Tampoco puede mostrar si siguen siendo plausibles varios patrones de demanda muy diferentes.

Esta omisión importa porque las decisiones operativas rara vez son simétricas. Subestimar un pico de demanda puede tener un coste distinto al de programar una capacidad de reserva excesiva. Un operador de red necesita más que el resultado medio esperado cuando esos costes divergen.

El control del tráfico plantea el mismo problema. Una velocidad de desplazamiento prevista podría parecer manejable, pero la distribución podría incluir un riesgo relevante de congestión grave. Los responsables que evalúan cambios en la señalización necesitan saber si la previsión es estable o frágil.

La monitorización ambiental eleva las apuestas. Una predicción media de contaminación por debajo de un umbral regulatorio puede ocultar una probabilidad significativa de superar ese límite. Un resultado probabilístico puede revelar este riesgo de cola antes de que las agencias decidan si emiten recomendaciones.

La cuantificación de la incertidumbre es la práctica de estimar cuánta confianza debe depositar un modelo en su resultado. En la predicción, las estimaciones útiles de incertidumbre deben ampliarse cuando las condiciones son más difíciles de anticipar. Deben estrecharse cuando la evidencia respalda un rango más concentrado.

Este requisito presiona a los modelos espaciotemporales deterministas. Estos sistemas suelen optimizar los errores entre una previsión y un resultado observado. Pueden producir buenas medias sin describir el rango que rodea cada predicción.

El posprocesamiento puede añadir intervalos posteriormente, pero eso separa la incertidumbre del mecanismo predictivo original. Los conjuntos profundos ofrecen otra vía al combinar los resultados de varios modelos entrenados. Los enfoques bayesianos, en cambio, sitúan distribuciones de probabilidad sobre parámetros o predicciones.

Un estudio de 2024 sobre la incertidumbre del tráfico utilizó conjuntos profundos con redes de grafos espaciotemporales. Ese trabajo ilustra que CDGAT entra en un campo activo, no en una categoría vacía. El debate se centra en qué método ofrece una incertidumbre fiable a un coste práctico.

La difusión ofrece una vía diferente porque el muestreo es central en su diseño. Cada futuro generado se convierte en una observación de la distribución predictiva aprendida. El modelo no necesita disfrazar una salida única como una explicación completa del riesgo.

Sin embargo, producir una distribución no garantiza que esta sea fiable. Un modelo puede generar intervalos demasiado estrechos y crear un exceso de confianza. También puede generar intervalos tan amplios que aporten poco valor operativo.

La calibración mide si las probabilidades declaradas coinciden con las frecuencias observadas. Si los intervalos de predicción del 90 por ciento de un modelo están bien calibrados, aproximadamente el 90 por ciento de los resultados debería caer dentro de ellos. La calibración también debe mantenerse estable entre ubicaciones, estaciones y condiciones inusuales.

Aquí es donde CDGAT presiona a los sistemas existentes. Su propuesta sostiene que la calidad probabilística debe evaluarse junto al error medio. Una previsión puntual ligeramente mejor no puede resolver la competencia cuando las decisiones dependen del riesgo a la baja.

Cómo la atención de grafos condiciona el proceso de difusión

El mecanismo principal de CDGAT es un generador guiado que aprende dónde interactúan las señales y cuán inciertos siguen siendo sus valores futuros.

El modelo comienza con datos organizados entre nodos y a lo largo del tiempo. Un nodo puede representar un detector de tráfico, una estación de contaminación o un punto de medición eléctrica. Las aristas describen relaciones entre esos nodos, ya sean físicas, geográficas o aprendidas de los datos.

La atención de grafos produce representaciones contextuales para esta red. Compara características de los nodos y asigna mayor peso a las relaciones que parecen más informativas. Esto permite que las dependencias distantes o no uniformes influyan en la representación sin imponer pesos idénticos en todas partes.

El mecanismo de atención no genera de forma independiente la previsión final. En cambio, proporciona condiciones al modelo de difusión. Esas condiciones guían el proceso inverso, alejándolo de muestras arbitrarias y acercándolo a futuros coherentes con el comportamiento registrado.

Las variables externas aportan otra fuente de orientación. El clima, los efectos de calendario y las características contextuales relacionadas pueden alterar la demanda o las mediciones ambientales. La atención cruzada permite que la red de eliminación de ruido consulte esas variables durante la generación.

El resultado es una distribución condicional, no una simulación incondicional. CDGAT no se limita a crear series temporales de aspecto realista. Genera trayectorias futuras que reflejan el historial específico y el contexto proporcionados en el momento de la predicción.

La idea subyacente tiene precedentes. DiffSTG combinó previamente redes de grafos espaciotemporales con difusión de eliminación de ruido para previsiones probabilísticas. Sus autores comunicaron mejoras en tres conjuntos de datos en su investigación sobre DiffSTG.

Otro proyecto propuso modelos de difusión unificados para la predicción y la interpolación espacial. Ese trabajo utilizó un codificador espaciotemporal compartido con decodificadores probabilísticos específicos para cada tarea. En conjunto, estos estudios muestran un avance más amplio hacia la predicción basada en grafos y difusión.

La contribución particular de CDGAT reside en cómo combina atención de grafos, condicionamiento mediante atención cruzada, estimación del orden del modelo y muestreo acelerado. También amplía una línea anterior de predicción ambiental de los investigadores de Nápoles.

El equipo presentó un enfoque de difusión condicionada y atención de grafos para la predicción de contaminantes en IJCNN 2025. Ese modelo ambiental se centró en mediciones de dióxido de nitrógeno y ozono a nivel del suelo procedentes de estaciones italianas de monitorización.

El trabajo más reciente amplía la arquitectura y la evaluación. Sus pruebas de referencia comunicadas incluyen carga eléctrica, mediciones de tráfico y contaminantes atmosféricos. Este alcance evalúa si el diseño se transfiere más allá de una sola red de sensores o variable ambiental.

El conjunto de datos de electricidad Elergone contiene 78.888 muestras horarias que abarcan desde 2014 hasta 2022, según la cobertura publicada. Nueve años de observaciones ofrecen ciclos estacionales, patrones de demanda cambiantes y una profundidad temporal considerable.

Metr-LA proporciona un benchmark de tráfico ampliamente utilizado, construido a partir de lecturas de sensores en autopistas. Los conjuntos de datos de contaminación introducen un comportamiento espacial distinto y una mayor dependencia de condiciones externas. El rendimiento en estos dominios es más informativo que el éxito en una sola tarea.

Los investigadores informan que CDGAT se comparó favorablemente con métodos consolidados en el conjunto de datos de electricidad. También se situó entre los dos modelos más sólidos en las evaluaciones de tráfico y contaminación atmosférica. Estos son hallazgos de benchmarks comunicados por los autores, no resultados de despliegues independientes.

Un estudio de ablación eliminó componentes individuales para comprobar su contribución. Eliminar la atención de grafos empeoró la mayoría de las métricas de error determinista. Según se informa, retirar el mecanismo de enmascaramiento del orden del modelo incentivó a las capas de atención cruzada a ajustarse al ruido ambiental de alta frecuencia.

El equipo también probó la guía sin clasificador, una técnica de condicionamiento utilizada con frecuencia en modelos generativos. Según se informa, no aportó ninguna mejora de precisión en el conjunto de datos de dióxido de nitrógeno e introdujo una pequeña penalización. Ese resultado respalda el diseño de condicionamiento secuencial elegido en el artículo.

Estos experimentos hacen que el mecanismo resulte más creíble que una comparación llamativa por sí sola. Aun así, las ablaciones muestran cómo se comportan los componentes dentro de la configuración de los autores. No demuestran que las mismas elecciones sigan siendo óptimas en nuevas regiones o sistemas operativos.

Los Benchmarks No Demuestran Fiabilidad Operativa

La mayor incertidumbre de CDGAT es si sus propias estimaciones de confianza seguirán calibradas cuando el mundo deje de parecerse a sus datos de entrenamiento.

Los benchmarks históricos permiten comparaciones repetibles. Los investigadores pueden entrenar modelos con las mismas entradas, medir errores en períodos reservados e inspeccionar el rendimiento mediante métricas comunes. Este proceso es necesario, pero simplifica las condiciones de despliegue.

Las redes reales de sensores fallan de formas complejas. Los dispositivos se desconectan, las mediciones llegan tarde y la calibración puede desviarse. Las conexiones entre nodos pueden cambiar tras cierres de carreteras, obras, mejoras de la red eléctrica o modificaciones de las políticas de monitorización.

El comportamiento humano también cambia. La demanda de electricidad se transforma después de reformas tarifarias o de la adopción generalizada de equipos. Los patrones de tráfico se modifican cuando los empleadores cambian sus políticas laborales. Las relaciones de contaminación varían con fenómenos meteorológicos extremos, actividad industrial y nuevas normas sobre emisiones.

Estos cambios generan un cambio de distribución, lo que significa que los datos futuros ya no siguen los mismos patrones que los datos de entrenamiento. Un modelo probabilístico todavía puede equivocarse con confianza en esas condiciones. Generar más futuros mediante muestreo no corrige una distribución aprendida de forma errónea.

La estructura de grafos de CDGAT merece un escrutinio similar. La atención de grafos puede aprender relaciones flexibles, pero esas relaciones se basan en los datos disponibles. Pueden capturar dependencias útiles, correlaciones temporales o ambas cosas.

Los usuarios operativos necesitan pruebas de que la incertidumbre aumenta cuando el modelo se enfrenta a condiciones desconocidas. También necesitan una calibración desglosada por ubicación y escenario. Una única puntuación agregada puede ocultar una sobreconfianza grave en un pequeño número de nodos críticos.

Los intervalos de predicción introducen su propia disyuntiva. Los intervalos más amplios abarcan más resultados, pero ofrecen una orientación menos precisa. Los intervalos estrechos parecen accionables, pero generan riesgo si omiten eventos reales con demasiada frecuencia.

Por tanto, una evaluación útil debería comparar conjuntamente la cobertura y la amplitud de los intervalos. También debería informar del rendimiento durante picos de demanda, perturbaciones de congestión, contaminación extrema y episodios de datos ausentes. Los períodos promedio son la parte más fácil del problema.

El muestreo por difusión crea otro problema práctico. DDIM reduce el número de pasos de eliminación de ruido necesarios, pero la generación sigue implicando cálculos repetidos. La comparación relevante no es solo frente a la difusión estándar.

Los operadores compararán CDGAT con modelos deterministas más rápidos, regresión cuantílica, aproximaciones bayesianas y conjuntos de modelos. El modelo debe justificar la latencia adicional mediante mejores decisiones o estimaciones de riesgo mejor calibradas.

La gestión energética puede requerir actualizaciones frecuentes en numerosos centros. El control del tráfico puede necesitar nuevas previsiones dentro de ventanas de respuesta estrictas. Las agencias ambientales pueden tolerar retrasos distintos, según si la tarea implica alertas inmediatas o planificación.

El código y los conjuntos de datos abiertos del artículo pueden respaldar la replicación, según el informe publicado. La reproducibilidad permite a equipos independientes comprobar la sensibilidad a semillas aleatorias, particiones de datos, hiperparámetros y líneas base alternativas. No sustituye a los ensayos de campo prospectivos.

También existe una distinción entre la incertidumbre de los datos y la incertidumbre del modelo. La incertidumbre de los datos refleja la aleatoriedad inevitable en las observaciones. La incertidumbre del modelo refleja conocimiento limitado, cobertura de entrenamiento insuficiente o incertidumbre sobre los parámetros del modelo.

Una distribución generada por difusión puede representar la variabilidad presente en los datos. No revela automáticamente todo lo que el modelo desconoce. Los compradores deberían preguntar qué tipos de incertidumbre mide CDGAT y cómo se comportan esos componentes ante cambios de distribución.

Por tanto, la expresión “incertidumbre integrada” es acertada en términos generales, pero incompleta. CDGAT produce previsiones probabilísticas como parte de su arquitectura. La utilidad de esas probabilidades depende de la calibración, la cobertura, la latencia y el comportamiento fuera de las condiciones de benchmark.

Quién Afronta Presión por las Previsiones Conscientes de la Incertidumbre

CDGAT presiona a los equipos de previsión para que defiendan por qué una predicción única es suficiente cuando los costes operativos dependen del riesgo circundante.

La presión inmediata recae sobre los desarrolladores de sistemas deterministas de previsión basados en grafos. Un error medio menor puede seguir siendo valioso, pero los equipos de compras ahora pueden exigir calidad de intervalos junto con precisión puntual. Esto amplía los criterios de un modelo competitivo.

Los desarrolladores de conjuntos profundos se enfrentan a una comparación distinta. Los conjuntos pueden estimar la incertidumbre entrenando o evaluando múltiples modelos relacionados. Pueden ofrecer un rendimiento sólido, pero sus requisitos de almacenamiento y cálculo pueden aumentar con el tamaño del conjunto.

Los métodos bayesianos siguen siendo relevantes porque proporcionan un lenguaje consolidado para la incertidumbre. Sin embargo, las redes neuronales bayesianas prácticas suelen requerir aproximaciones. Los equipos deben comparar su calibración y complejidad con el muestreo basado en difusión en las mismas tareas.

La previsión cuantílica ofrece una alternativa más sencilla. Un modelo puede estimar directamente puntos seleccionados de la distribución condicional, como los cuantiles inferior y superior. Esto evita un largo proceso de muestreo generativo y sigue proporcionando rangos de predicción.

CDGAT debe demostrar que su distribución generada más rica produce beneficios medibles frente a estas alternativas. Una mejor precisión promedio no basta, porque los métodos más simples ya pueden producir intervalos. La evidencia decisiva se refiere a calibración, nitidez, latencia y calidad de las decisiones.

Los proveedores de software para redes eléctricas deberían prestar especial atención. La planificación eléctrica implica consecuencias asimétricas, márgenes de reserva y requisitos estrictos de fiabilidad. Una distribución de incertidumbre útil puede respaldar el análisis de escenarios cuando los operadores deben equilibrar costes frente al riesgo de servicio.

Los desarrolladores de plataformas de tráfico afrontan preguntas similares. Una trayectoria plausible puede indicar que la temporización actual de los semáforos es adecuada. Otra puede revelar una probabilidad significativa de congestión en toda la red tras una interrupción local.

Los sistemas ambientales ofrecen quizá el caso más claro de interés público. Los responsables suelen tener que decidir si los niveles de contaminantes podrían superar un umbral. La parte superior de una distribución de previsión puede importar más que su promedio.

CDGAT también desafía a las organizaciones que evalúan modelos solo mediante métricas de error conocidas. El error absoluto medio y la raíz del error cuadrático medio resumen discrepancias, pero no miden si las probabilidades son honestas.

Los equipos necesitarán procesos para supervisar la cobertura de intervalos después del despliegue. También necesitarán paneles que comuniquen la incertidumbre sin abrumar a los operadores. Un buen modelo probabilístico aún puede fallar si los usuarios interpretan mal su salida.

Esto convierte el diseño de interfaces en parte del problema de despliegue. Los operadores necesitan ver estimaciones centrales, rangos plausibles y riesgos importantes de cola. También necesitan señales claras cuando el sistema se enfrenta a datos desconocidos.

Los trabajadores del conocimiento que revisan evidencia de modelos complejos se enfrentan a otra carga práctica. Los artículos, resultados de benchmarks, informes de calibración y registros de despliegue pueden acumularse entre equipos. Una base de conocimiento de ingeniería con capacidad de búsqueda puede ayudar a preservar esas decisiones y la evidencia que las respalda.

El cambio más amplio consiste en pasar del consumo de previsiones a su gobernanza. Las organizaciones deben registrar por qué confiaron en un rango, qué comprobaciones de calibración superó y cuándo el modelo requirió escalamiento humano.

CDGAT no crea esa capa de gobernanza. Hace que la omisión sea más difícil de ignorar. Cuando un modelo proporciona incertidumbre, los usuarios necesitan políticas para actuar en función de ella y auditar su fiabilidad.

Tres Señales Mostrarán si CDGAT Importa

La siguiente prueba es si la evidencia independiente convierte a CDGAT de un prometedor modelo de benchmark en una opción de previsión fiable.

La primera señal es la replicación independiente con los conjuntos de datos y el código publicados. Los investigadores deberían reproducir las clasificaciones comunicadas usando particiones sin cambios antes de probar configuraciones alternativas. Igualar solo los errores destacados no será suficiente.

La replicación debería examinar la calibración, la amplitud de los intervalos, la varianza de muestreo y el coste computacional. También debería informar de si los resultados se mantienen estables en ejecuciones repetidas de entrenamiento. Una gran variación debilitaría las afirmaciones sobre un rendimiento fiable.

La replicación más sólida incluiría líneas base ajustadas con presupuestos equivalentes. Los modelos de difusión, conjuntos, sistemas cuantílicos y redes deterministas de grafos deberían recibir un esfuerzo de optimización comparable. Si CDGAT conserva su ventaja, el argumento central del artículo se fortalece.

La segunda señal es la prueba prospectiva con datos recién recibidos. Un despliegue o ensayo en paralelo debería generar previsiones antes de que se conozcan los resultados. Esto elimina la flexibilidad que puede introducirse en el diseño retrospectivo de benchmarks.

Estas pruebas deberían incluir transiciones estacionales y condiciones operativas inusuales. Deberían registrar sensores ausentes, datos tardíos y cambios de topología. La calibración debería medirse de forma continua, en lugar de comunicarse una sola vez.

Si los intervalos de predicción se amplían adecuadamente durante las interrupciones, el mecanismo de incertidumbre del modelo gana credibilidad. Si permanecen estrechos mientras aumentan los errores, la distribución integrada no está protegiendo a los usuarios frente a los cambios de distribución.

Los estudios prospectivos también deberían medir las consecuencias de las decisiones. Un ensayo en la red eléctrica podría comparar decisiones de programación de reservas con y sin previsiones probabilísticas. Un ensayo de tráfico podría medir si el control consciente de intervalos reduce los eventos de congestión grave.

La tercera señal es una comparación clara de latencia y recursos. DDIM está diseñado para acelerar el muestreo por difusión, pero los compradores necesitan mediciones reales de extremo a extremo. Esas mediciones deberían cubrir entrenamiento, inferencia, uso de memoria y consumo energético.

Los resultados deberían incluir distintos recuentos de nodos y horizontes de previsión. Un modelo que funciona bien en un benchmark compacto puede encontrar problemas de escalabilidad con miles de sensores. Los requisitos de muestreo pueden multiplicarse rápidamente cuando las previsiones necesitan actualizaciones frecuentes.

Esta evidencia podría fortalecer a CDGAT incluso si no gana todas las métricas de precisión. Un modelo con un error medio ligeramente peor aún puede ser más útil cuando sus intervalos están calibrados. Por el contrario, ganancias marginales en benchmarks no pueden justificar un retraso excesivo en sistemas sensibles al tiempo.

Los investigadores también deberían observar cómo responden los métodos competidores. Los muestreadores de difusión más rápidos, los transformadores de grafos conscientes de la incertidumbre y la predicción conformal pueden reducir la ventaja de CDGAT. La categoría avanzará mediante evidencia comparativa, no por la publicación de una sola arquitectura.

El resultado actual se interpreta mejor como una integración técnica creíble. La previsión espacio-temporal de CDGAT conecta representaciones conscientes de grafos con distribuciones predictivas generadas en varios ámbitos de aplicación. También pone de relieve por qué la incertidumbre debe formar parte de la evaluación de modelos.

Aún no establece una superioridad operativa. Ese juicio exige replicación independiente, calibración prospectiva y costes de rendimiento transparentes. Estas tres señales determinarán si CDGAT transforma las prácticas reales de previsión o sigue siendo un sólido referente de investigación.

Para desarrolladores y compradores técnicos, la acción inmediata es sencilla. Exijan a cada sistema de previsión algo más que su error medio. Soliciten cobertura de intervalos, comportamiento ante fallos, tiempo de inferencia y evidencia en condiciones cambiantes.

Una previsión no debería limitarse a decir qué ocurrirá después. Debería comunicar cuánta confianza respaldan las pruebas disponibles. CDGAT concreta más esta exigencia, y las futuras evaluaciones deberían someterlo al mismo estándar.