확률적 예측기(Probabilistic forecasters)는 점점 더 학습 기반으로 발전하고 있지만, 이들과 비교되는 베이스라인(baselines)은 종종 취약하거나 생략되곤 합니다. 본 연구에서는 가장 단순한 형태의 conformal interval — 즉, 매개변수나 훈련 없이 유한 샘플 분할 conformal 잔차 분위수(finite-sample split-conformal residual quantile)로 감싸진 직전 값 점 예측(last-value point forecast) — 이 최근의 학습 기반 예측 및 conformal 시계열 비교 연구에서 거의 나타나지 않는 것보다 훨씬 더 강력한 베이스라인임을 보여줍니다. 9개의 공개 소스(Monash, LOTSA, LTSF 교통/전력/날씨 스위트, METR-LA, BOOM, nips/probts)에서 추출한 2,217개의 실제 시계열에 대한 일보 앞선 온라인 예측(one-step-ahead online forecasting) 실험에서, 이 ConformalNaive interval은 단순 값-분위수(naive value-quantile) 베이스라인, NPTS 제품군 전체(시계열의 73%에서 NPTS, 64%에서 SeasonalNPTS 우세), 그리고 발표된 Conformal Seasonal Pools (CSP) 방법(시계열의 71%에서 우세, bootstrap 95% CI [69,73], paired Wilcoxon p 약 7.6e-135)을 결정적으로 압도했습니다. 또한, 이 방법은 더 단순한 학습 기반 conformal 예측기(RCI, 분위수 회귀(quantile regression); 중앙값 상대적 Winkler 점수 2% 이내 차이)와 대등한 수준이며, 분포 변화(distribution shift)를 추적하여 상대적 Winkler 점수에서 9-33% 앞서는 적응형 온라인 및 앙상블 방법(SPCI, ACI, AgACI)에 의해서만 뒤처집니다. 또한 훈련된 신경망 예측기(trained neural forecaster)보다 보정(calibrated) 성능이 뛰어납니다. DeepNPTS를 도입한 6개의 데이터셋에서, 이 사소한 하한선(trivial floors)은 명목상 95%의 신뢰 수준에서 실제 값을 84-85%의 확률로 포함하는 반면, DeepNPTS는 66%에 그쳤습니다. 다단계 계절적 지평(multi-step seasonal horizons)에서는 상황이 반전됩니다. 무작위 행보(random-walk) 하한선이 가장 약한 방법이 되고 계절적 풀(seasonal pool, CSP)이 승리하는데, 본 연구는 이러한 경계 지점을 매핑합니다. 마지막으로, 우리는 모든 지평에서 커버리지(coverage)를 복구하면서 두 가지 상호 보완적인 하한선 중 더 나은 것을 선택하는 한 줄짜리 훈련이 필요 없는 지평 적응형 선택기인 ConformalNaive+를 제안합니다. 우리는 학습 기반 확률적 예측기가 성능 향상을 주장할 때마다, 그에 상응하는 conformal naive 하한선이 반드시 필수적인 베이스라인이 되어야 한다고 주장합니다.