利用跨尺度注意力学习时间显著性以进行时间序列预测

时间序列预测中的可解释性对于提高模型透明度和支持明智决策至关重要。在这项工作中，我们提出了CrossScaleNet，这是一种创新的架构，它将基于补丁的交叉注意力机制与多尺度处理相结合，以实现高性能和增强的时间可解释性。通过将注意力机制嵌入训练过程，我们的模型为时间显著性提供了内在可解释性，使其决策过程更加透明。传统的时间显著性检测事后方法计算成本高昂，尤其是与特征重要性检测相比。虽然消融技术可能足以处理特征较少的数据集，但识别时间显著性因其复杂性而面临更大挑战。我们在已知显著性真值的合成数据集和已建立的公共基准上验证了CrossScaleNet，证明了我们的方法在识别时间显著性方面的鲁棒性。在真实世界数据集上的预测任务实验表明，我们的方法始终优于大多数基于Transformer的模型，在不牺牲预测准确性的情况下提供了更好的可解释性。我们的评估展示了在时间显著性检测和预测准确性方面的卓越性能。此外，我们强调，现有声称具有可解释性的模型往往无法在标准基准上保持强劲性能。CrossScaleNet弥补了这一差距，提供了一种平衡的方法，能够有效捕捉时间显著性，同时在各种复杂度的数据集上提供最先进的预测性能。