基于分组-段落玩家的 Shapley 值解释：用于多变量时间序列的 GroupSegment-SHAP

多变量时间序列模型在医疗、工业、能源和金融等领域实现了强大的预测性能，但它们如何将跨变量相互作用与时间动力学相结合仍不清晰。SHapley 叠加解释（SHAP）广泛用于解释。然而，现有的变体通常独立地处理特征轴和时间轴，导致由多个变量在特定时间间隔内共同形成的结构信号被碎片化。我们提出了分组-段落 SHAP（GroupSegment SHAP, GS-SHAP），它基于跨变量依赖性和随时间分布偏移，构建解释单元作为分组-段落玩家，然后通过 Shapley 归因量化每个单元的贡献。我们在四个真实世界领域评估了 GS-SHAP：人类活动识别、电力系统预测、医学信号分析和金融时间序列，并将其与 KernelSHAP、TimeSHAP、SequenceSHAP、WindowSHAP 和 TSHAP 进行比较。GS-SHAP 在时间序列 SHAP 基准上将删除-based 可信度（DeltaAUC）提高约 1.7 倍，同时在匹配的扰动预算下将运行时间缩短约 40%。一个金融案例研究表明，GS-SHAP 在高波动期间识别了关键市场变量之间的可解释的多变量-时间相互作用。