FreqLens：面向时间序列预测的可解释频率归因方法
机器学习
2026-02-10 v1 人工智能
信号处理
摘要
时间序列预测模型往往缺乏可解释性，限制了其在需要可解释预测的领域的应用。我们提出一种可解释的预测框架\textsc{FreqLens}，通过发现和归因于可学习频率分量的预测。\textsc{FreqLens}引入两个关键创新：(1)可学习的频率发现——通过Sigmoid映射对频率基函数进行参数化，并以多样性正则化从数据中学习，实现无需领域知识即可自动发现主导周期模式；(2)频率归因公理论框架——一个在完备性、忠实性、空频率和对称性公理上都有严格保证的框架，其按频率归因等价于Shapley值。在Traffic和Weather数据集上，\textsc{FreqLens}实现了与或优于现有方法的性能，同时发现了物理上有意义的频率：在Traffic数据集上，所有5次独立运行均发现24小时每日循环（h，误差2.5%）和12小时半日循环（h，误差1.6%），在Weather数据集上发现周期循环（远超输入窗口长度的10倍）。这些结果表明，\textsc{FreqLens}在频率层面实现了真正的知识发现，并在归因质量上提供了形式化的理论保证。
引用
@article{arxiv.2602.08768,
title = {FreqLens: Interpretable Frequency Attribution for Time Series Forecasting},
author = {Chi-Sheng Chen and Xinyu Zhang and En-Jui Kuo and Guan-Ying Chen and Qiuzhe Xie and Fan Zhang},
journal= {arXiv preprint arXiv:2602.08768},
year = {2026}
}