ProtoTS：面向可解释时间序列预测的层次化原型学习
机器学习
2026-03-02 v4
摘要
尽管深度学习在时间序列预测中取得了令人印象深刻的性能，但越来越需要理解其决策过程以建立高风险场景中的信任。现有可解释模型通常仅提供局部和部分解释，缺乏揭示异构且相互作用的输入变量如何共同塑造预测曲线中整体时序模式的能力。我们提出ProtoTS，一种新型可解释预测框架，通过建模原型时序模式实现高精度和透明的决策。ProtoTS基于去噪表示计算实例-原型相似度，该表示保留了丰富的异构信息。原型按层次组织，以粗粒度原型捕获全局时序模式，同时以细粒度原型捕获更细微的局部变动，实现专家引导和多层次可解释性。在包括新近发布的LOF数据集在内的多个真实基准上进行的实验表明，ProtoTS不仅在预测精度上超越了现有方法，还为更好的模型理解和决策支持提供了可引导的解释。
引用
@article{arxiv.2509.23159,
title = {ProtoTS: Learning Hierarchical Prototypes for Explainable Time Series Forecasting},
author = {Ziheng Peng and Shijie Ren and Xinyue Gu and Linxiao Yang and Xiting Wang and Liang Sun},
journal= {arXiv preprint arXiv:2509.23159},
year = {2026}
}
备注
ICLR 2026 Poster