关于时序预测可解释性预测

本文做一些论文收集使用，先更新一两篇

 论文 1

Learning Structured Components: Towards Modular and Interpretable Multivariate Time
Series Forecasting

论文地址：

https://browse.arxiv.org/pdf/2305.13036.pdf

论文代码：https://github.com/KDDtest/SCNN/blob/main/main.py

论文简介

多变量时间序列（MTS）预测是许多实际应用中一个重要而基础的问题。MTS预测的核心问题是如何有效地建模复杂的时空模式。在本文中，我们开发了一个模块化和可解释的预测框架，旨在分别对时空模式的每个组成部分进行建模。我们将该框架命名为SCNN，即基于结构化组件的神经网络。SCNN与MTS的预定义生成过程一起工作，该过程在算术上描述了时空模式的潜在结构。与其逆过程相一致，SCNN将MTS数据分解为结构化和异构的组件，然后分别推断这些组件的演化，其动态性比原始MTS更具可追踪性和可预测性。我们进行了大量实验，证明SCNN在三个真实数据集上可以比现有模型实现更优越的性能。此外，我们对不同配置的SCNN进行了检验，并对SCNN的属性进行了深入分析。

为了以可解释和模块化的方式建模MTS的动态性，我们的研究提出了一种基于生成过程的MTS结构建模方法，并相应地设计了一个结构化组件的神经网络（SCNN）用于MTS预测。特别地，SCNN明确地将描述MTS数据动态性的一系列结构化组件从不同视角进行解耦，其中每个组件比原始的混合数据更具可追踪性和可预测性。更重要的是，这些组件相互补充，同时也足以恢复原始的MTS。通过以深度和迭代的方式解耦这些组件，可以提取超出长期趋势和季节性组件之外更丰富的结构信息。然后，SCNN采用分而治之的策略，为每个结构化组件定制一个简单的定律或参数化模型来解决时间序列的预测问题，以适应其动态性的特点。最后，为了增强SCNN的鲁棒性，我们除了常用的回归损失外，还构建了辅助的结构化正则化，引导模型更多关注那些不容易受到干扰的结构化组件。

We summarize our contributions as follows:

我们引入了用于多变量时间序列预测的结构化组件神经网络（SCNN），这是第一个完全基于分解的神经网络架构。

1.我们提出了一种新颖的结构化正则化方法，以明确地塑造从SCNN学习的表示空间的结构。

2.我们对三个公共数据集进行了大量实验，验证了SCNN的有效性，并观察到相对竞争方法的普遍改进。

3.经验和分析证据表明，SCNN在处理分布转移和异常值以及保持计算效率方面表现出优越性能。

论文 2

Multi-Variate Time Series Forecasting on Variable Subsets

论文地址：https://arxiv.org/abs/2206.12626

我们在多元时间序列预测 (MTSF) 领域制定了一种新的推理任务，称为变量子集预测 (VSF)，其中在推理过程中只有一小部分变量可用。由于长期数据丢失，在推理过程中不存在变量（例如。传感器故障）或训练/测试之间的高→低资源域转移。据我们所知，文献中尚未研究 MTSF 模型在存在此类故障的情况下的稳健性。通过广泛的评估，我们首先表明最先进的方法在 VSF 设置中的性能显着下降。我们提出了一种非参数包装技术，可应用于任何现有预测模型。通过对 4 个数据集和 5 个预测模型的系统实验，我们表明即使只有 15% 的原始变量存在，我们的技术也能够恢复接近 95% 的模型性能。