Στη θεωρία της πληροφορίας η έννοια της πολυπλοκότητας σχετίζεται στενά με την έννοια της πρόβλεψης. Η πρώτη προσπάθεια με την οποία γίνεται η συσχέτιση της πολυπλοκάτητας με την πρόβλεψη γίνεται από τον A.N. Kolmogorov με την “Kolmogorov Complexity”. Δεδομένου μιας χρονοσειράς στατιστική πολυπληκότητα Kolmogorov ορίζεται ως το ελάχιστο πρόγραμμα (μοντέλο) που μπορεί να αναπαράγει όλη τη χρονοσειρά, μια χρονοσειρά η οποία είναι περιοδική έχει χαμηλή πολυπλοκότητα και αυτό γιατί μπορούμε να φτιάξουμε ένα πρόγραμμα το οποίο αποθηκεύει μία περίοδο της χρονοσειράς και επαναλαμβάνοντας την περίοδο μπορεί να αναπαραχθεί ακριβώς ολόκληρη τη χρονοσειρά. Για παράδειγμα μια χρονοσειρά η οποία είναι τελείως τυχαία έχει μέγιστη πολυπλοκότητα μια και το μόνο πρόγραμμα που μπορεί να την αναπαράγει είναι αυτό αποθηκεύει ολόκληρη την χρονοσειρά και την εξάγει. Όμως δεν υπάρχει εργαλείο το οποίο να μπορεί να ποσοτικοποιήσει την πολυπλοκότητα κατά Kolmogorov.

Οι Crutchfield and Young (1994) προτείνουν ως πολυπλοκότητα τη ποσότητα της πληροφορίας που χρειαζόμαστε για να γίνει χρήσιμη “στατιστική” πρόβλεψη, δηλαδή προσπαθούμε να προβλέψουμε τις στατιστικές ιδιότητες της χρονοσειράς και όχι την ίδια τη χρονοσειρά. Ένα αλγόριθμος που μπορεί να κάνει αυτή τη πρόβλεψη είναι ο CSSR (Causal State Split Recostruction) algorithm όπου μπορεί να κατασκευάσει τό μικρότερο μοντέλο που μπορεί να προβλέψει τις στατιστικές ιδιότητες της χρονοσειράς. Βέβαια η ανάλυση των Cruthcfield και Young (1994) και Shalizi (2003,2004) επικεντρώνεται σε χρονοσειρες univariate stochastic time series που προέρχονται από σύμβολα από ένα πεπερασμένο αλφάβητο. Ο αλγόριθμος δεν έχει επεκταθεί ακόμα να δουλεύει σε συνεχείς χρονοσειρές πραγματικών αριθμών οπότε αυτό που πρέπει να γίνει είναι να μετατραπουν οι χρονοσειρές σε σύμβολα αλφαριθμητικών. Ο τρόπος με τον οποίο λειτουργεί αυτός ο αλγόριθμος είναι ο παρακάτω

1. Παίρνουμε ένα σημείο P στο χώρο παραμέτρων του μοντέλου και τρέχουμε το μοντέλο με αρχικές συνθήκες και παραμέτρους που ορίζεται από το P, με σκοπό να δημιουργήσουμε χρονολογικές σειρές.

2. Στη συνέχεια χρησιμοποιείται ο CSSR αλγόριθμος για να ανακατασκευάσει την ε-machine από τις χρονολογικές σειρές που δημιουργήσαμε δηλαδή το ελάχιστο μοντέλο που είναι ικανό να αναπαράγει τις χρονολογικές σειρές στατιστικά.

3. Στη συνέχεια υπολογίζουμε την εντροπία της ε-machine με σκοπό να ορίσουμε τη στατιστική πολυπλοκότητα της χρονοσειράς.

4. Εκχωρούμε την τιμή της στατιστικής πολυπλοκότητας για το μοντέλου για το σημείο P στο χώρο παραμέτρων.

    

Το επόμενο βήμα είναι διαχωριστεί ο χώρος των παραμέτρων σε τομείς όπου οι παράμετροι έχουμε παρόμοια δυναμική συμπεριφορά.