A previsão de séries temporais desempenha um papel fundamental em diversos setores, fornecendo insights valiosos para o planejamento e tomada de decisões em várias áreas de aplicação. A seleção de características em series temporais e, por sua vez, um componente crucial no pipeline de aprendizado de máquina. Ao selecionar cuidadosamente um conjunto apropriado de variáveis, os modelos de aprendizado de máquina podem aumentar a precisão da previsão, reduzir o tempo de processamento e melhorar a interpretabilidade. Neste estudo, comparamos o método de descoberta causal PCMCI (Peter and Clark Momentary Conditional Independence) com outros métodos de seleção de características não causais, como Correlação, Algoritmos Genéticos e regularização LASSO. Três conjuntos de dados do mundo real são usados nos experimentos de acordo com tres resultados principais: tamanho do gráfico gerado (numero de variáveis selecionadas), tempo de execução e precisão da previsão em diferentes horizontes de 1, 3 e 5 passos a frente. Os resultados mostram a capacidade do PCMCI em ` gerar modelos de previsão mais enxutos, proporcionando maior interpretabilidade e reduzindo a suscetibilidade ao sobre-ajuste.