信号、概念与规律：通用、可解释的时间序列预测
机器学习
2025-12-02 v3
摘要
准确、可解释且具有物理可信度的预测始终是多变量时间序列的持久挑战，这些时间序列的统计特性在不同领域之间会有所变化。我们提出了 DORIC，即 Domain-Universal, ODE-Regularized, Interpretable-Concept Transformer，用于时间序列预测，该模型通过五个自监督、领域无关的概念生成预测，同时通过施加基于第一性原理约束的可微残差来实现可解释性。
引用
@article{arxiv.2508.01407,
title = {Signals, Concepts, and Laws: Toward Universal, Explainable Time-Series Forecasting},
author = {Hongwei Ma and Junbin Gao and Minh-Ngoc Tran},
journal= {arXiv preprint arXiv:2508.01407},
year = {2025}
}