TSNN：面向交通时间序列预测的非参数且可解释框架
机器学习
2026-05-12 v1
摘要
尽管提出了许多复杂的模型来分析时间序列数据，但一些研究表明更简单的结构也能取得显著的性能。近期研究提出了一个用于 3D 点云分类的非参数框架，这种方法有潜力被适用于时间序列预测并实现可解释性。鼓舞于此前的工作，我们提出了 TSNN，一个用于交通时间序列预测的非参数且可解释框架。TSNN 由多个层组成，这些层通过匹配记忆库中的条目来解耦时间序列，其中记忆库是使用类似于训练集中记忆匹配过程构建的。它利用交通数据中的周期性来提高预测精度，同时保持简单的模型结构。该模型在没有可训练参数的情况下运行，保留了其内在的可解释性。在实验中，TSNN 在四个真实世界的交通流数据集上实现了与典型深度学习模型相当的性能。我们还展示了解耦过程，以显示各组件的有效性。最后，我们演示了该模型的可解释性，并说明了记忆库中每个时间步的贡献。
引用
@article{arxiv.2605.09208,
title = {TSNN: A Non-parametric and Interpretable Framework for Traffic Time Series Forecasting},
author = {Bowen Liu and Haijian Lai and Chan-Tong Lam and Junhao Dong and Benjamin Ng and Wei Ke and Sio-Kei Im},
journal= {arXiv preprint arXiv:2605.09208},
year = {2026}
}
备注
Accepted by IEEE Transactions on Knowledge and Data Engineering