PatchDecomp：基于块的可解释时间序列预测
机器学习
2026-03-05 v1 人工智能
摘要
时间序列预测通过从过去的观察值预测未来值，在许多领域发挥着核心作用，并推动了高度准确的神经网络模型的发展。然而，这些模型的复杂性常常限制了人类对其预测背后逻辑的理解。我们提出了 PatchDecomp，这是一种实现高精度和可解释性兼备的时间序列预测方法。PatchDecomp 将输入的时间序列划分为子序列（块），并通过聚合每个块的贡献来生成预测。这使得可以清晰地归因于最终预测的每个块，包括来自外生变量的块。实验在多个基准数据集上表明，PatchDecomp 的预测性能与最新的预测方法相当。 Furthermore, we show that the model's explanations not only influence predicted values quantitatively but also offer qualitative interpretability through visualization of patch-wise contributions.
引用
@article{arxiv.2603.03902,
title = {PatchDecomp: Interpretable Patch-Based Time Series Forecasting},
author = {Hiroki Tomioka and Genta Yoshimura},
journal= {arXiv preprint arXiv:2603.03902},
year = {2026}
}