iTFKAN：用于可解释时间序列预测的Kolmogorov-Arnold网络
机器学习
2025-08-11 v2 人工智能
摘要
随着时间的推移，特定领域内的数据呈现出可预测性，这促使时间序列预测从历史数据中预测未来趋势。然而，当前的深度预测方法虽然取得了令人满意的性能，但通常缺乏可解释性，阻碍了在自动驾驶和医疗保健等安全关键应用中的可信度和实际部署。本文提出了一种新型可解释模型iTFKAN，用于可信的时间序列预测。由于通过模型符号化实现可解释性，iTFKAN能够进一步探索模型决策依据和底层数据模式。此外，iTFKAN开发了两项策略：先验知识注入和时频协同学习，以有效引导模型在复杂交织的时间序列数据下进行学习。大量实验结果表明，iTFKAN能够在保持高可解释性的同时，实现令人满意的预测性能。
引用
@article{arxiv.2504.16432,
title = {iTFKAN: Interpretable Time Series Forecasting with Kolmogorov-Arnold Network},
author = {Ziran Liang and Rui An and Wenqi Fan and Yanghui Rao and Yuxuan Liang},
journal= {arXiv preprint arXiv:2504.16432},
year = {2025}
}
备注
Currently under review at IEEE Transactions on Knowledge and Data Engineering