LoMEF：一种为全局模型时间序列预测生成局部解释的框架
机器学习
2021-11-16 v1 人工智能
机器学习
摘要
在多个时间序列上训练得到的全局预测模型（GFM）在许多预测竞赛和真实世界应用中已显示出优于单变量预测方法的结果。诸如ETS和ARIMA等统计预测模型广受欢迎的一个方面是其相对简单且可解释（就相关滞后、趋势、季节性等而言），而GFM通常缺乏可解释性，尤其针对特定时间序列。这降低了利益相关方在基于预测做决策时因无法理解预测而产生的信任与信心。为缓解此问题，本文提出一种新颖的局部模型无关可解释性方法，以解释来自GFM的预测。我们在GFM对邻域内样本的预测上训练更简单的可解释单变量代理模型（如ETS），邻域通过自助法获得，或简单地取为待解释时间序列的一步向前全局黑盒模型预测。之后，我们从准确性、保真度、稳定性和可理解性等定性与定量方面评估全局模型预测的解释，并能够展示我们方法的益处。
引用
@article{arxiv.2111.07001,
title = {LoMEF: A Framework to Produce Local Explanations for Global Model Time Series Forecasts},
author = {Dilini Rajapaksha and Christoph Bergmeir and Rob J Hyndman},
journal= {arXiv preprint arXiv:2111.07001},
year = {2021}
}
备注
46 pages, 11 figures, 21 tables