基于代理模型与可预测性分析的复杂集成时间序列预测的忠实可解释说明
机器学习
2025-10-13 v1
摘要
现代时间序列预测日益依赖由 AutoGluon 等 AutoML 系统生成的复杂集成模型，在提供优异精度的同时，也带来了透明度和可解释性的显著代价。本文提出一个全面的双重方法框架，同时解决复杂时间序列集成中的可解释性和可预测性挑战。首先，我们开发了一种基于代理模型的解释方法，通过训练 LightGBM 模型来忠实模拟 AutoGluon 的时间序列预测，从而实现稳定的 SHAP 特征归因。我们通过特征注入实验严格验证了该方法，证明了提取的 SHAP 值与已知真实效应之间具有极高的忠实度。其次，我们整合了谱可预测性分析来量化每个序列的固有可预测性。通过将每个时间序列的谱可预测性与其纯噪声基准进行比较，我们建立了一种客观机制来评估预测及其解释的可信度。我们在 M5 数据集上的经验评估发现，更高的谱可预测性不仅与预测精度的提升强烈相关，而且与代理模型和原始预测模型之间更高的忠实度也强烈相关。这些可预测性指标可作为有效的过滤机制和置信度分数，使用户能够校准对预测及其解释的信任。我们进一步证明了逐项归一化对于生成跨不同尺度异构时间序列的有意义 SHAP 解释至关重要。最终框架为最先进的集成预测提供了可解释的实例级说明，同时为用户提供可作为预测及其解释可靠性指标的可预测性指标。
引用
@article{arxiv.2510.08739,
title = {Faithful and Interpretable Explanations for Complex Ensemble Time Series Forecasts using Surrogate Models and Forecastability Analysis},
author = {Yikai Zhao and Jiekai Ma},
journal= {arXiv preprint arXiv:2510.08739},
year = {2025}
}