DCIts -- 时间序列深度卷积解释器

我们介绍一种用于多变量时间序列预测的可解释深度学习模型，强调同时追求预测性能和可解释性——这两种需求对于理解复杂物理现象至关重要。该模型不仅匹配，甚至常常超越现有可解释性方法，同时不牺牲准确性。在大量实验中，我们展示了其识别预测未来值最相关时间序列和滞后位的能力，为其预测提供直观且透明的解释。为最小化对手动监督的需求，该模型设计为能够稳健地确定捕获所有必要相互作用所需时间窗的最优大小。此外，它有效地识别最优模型阶数，在包含更高阶项时实现复杂度的平衡。这些突破对建模和理解动态系统具有重大意义，使该模型成为应用和计算物理学家的有价工具。