一家连锁店用所有门店的数据训练同一套销量模型，单店预测都不错；但让它直接预测全国总量，结果可能突然失灵。原因并不神秘：全国销量远大于任何单店，模型从没见过这种尺度。Islam 与 Mohammed 在论文中发现，这种故障在生产数据及 M5、Australian Tourism 等五组数据上都能复现。
他们研究的是梯度提升树——让许多决策树依次纠错的模型。树一旦遇到超出训练数值范围的输入，通常只能沿用边界叶节点的固定预测；汇总层因此撞上一个隐形天花板。常见调参并不能解决尺度越界，连把各层数据混入训练，在大面板上也会失效。有效办法都是把目标拉回模型熟悉的范围：按序列缩放、加入加权的汇总层训练样本，或做季节差分（预测与上一季同周期的变化量）。不过滚动多步预测时，前两类修补会退化，只有季节差分保持了一步预测的准确度。论文未主张新疗法，真正的提醒是：验收全局模型时，不能只看单条序列，还要单独检查层级总量是否越过训练尺度。