使用LIME和SHAP解释时间序列预测：以航空客运量数据集为例
机器学习
2025-08-25 v1 人工智能
统计方法学
摘要
时间序列预测支撑着航空、能源、零售和健康等领域的关键决策。经典的自回归积分滑动平均（ARIMA）模型通过系数提供可解释性，但难以处理非线性，而基于树的机器学习模型（如XGBoost）虽然精度高，但通常不透明。本文提出了一个统一的框架，使用局部可解释模型无关解释（LIME）和SHapley加性解释（SHAP）来解释时间序列预测。我们将单变量序列转换为无泄漏的监督学习问题，训练一个梯度提升树模型以及一个ARIMA基线，并应用事后可解释性。以航空客运量数据集为例，我们展示了少量滞后特征——特别是12个月滞后——和季节性编码解释了大部分预测方差。我们的贡献包括：（i）一种在不违反时间顺序的情况下将LIME和SHAP应用于时间序列的方法；（ii）底层算法的理论阐述；（iii）带有广泛分析的实证评估；以及（iv）给从业者的指南。
引用
@article{arxiv.2508.12253,
title = {Interpreting Time Series Forecasts with LIME and SHAP: A Case Study on the Air Passengers Dataset},
author = {Manish Shukla},
journal= {arXiv preprint arXiv:2508.12253},
year = {2025}
}