时间序列预测持续学习的可解释性挑战

arXiv:2607.19382v1 公告类型：新 摘要：深度学习模型在时间序列预测方面显示出强大的潜力，但由于非平稳动力学和有限的可解释性，它们在现实世界环境监测中的部署仍然具有挑战性。在这项工作中，我们研究了可解释性作为理解自适应时间序列预测中持续学习的核心工具，以及经验重播策略。我们研究神经预测架构，例如 PatchMixer、PatchTST 和 DLinear，并通过基于注意力的采样机制进行增强，以支持模型随时间的适应。通过注意力推出和基于梯度的归因方法（Grad-CAM）利用可解释性来分析持续学习框架内的预测行为和采样策略。对表现出异质模式和状态变化的现实世界测压时间序列进行的实验表明，分析模型和采样行为可以为持续学习框架的动态提供有价值的见解。除了预测性能之外，我们的结果还强调了使用可解释性来理解持续学习行为的挑战和机遇，揭示了归因模式如何随时间演变，以及它们如何为非平稳预测场景中的数据选择和适应策略提供信息。