📊 statistics

Autorelevance function and other feature relevance measures for univariate time series

本文提出了一种利用 Ghost 变量和 Shapley 值来定义自相关性（autorelevance）与偏自相关性（partial autorelevance）函数的模型无关框架，用于衡量单变量时间序列预测中的滞后重要性，并证明了其在季节性 ARMA 模型和循环神经网络模型中的有效性。

原作者： Julian Cardenas, Jamie Arjona, Pedro Delicado

发布于 2026-07-03

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Julian Cardenas, Jamie Arjona, Pedro Delicado

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图预测明天的天气。你有一个超级智能的计算机程序（一个“黑盒”模型），它通过观察过去几天的温度、风力和降雨量来做出预测。但问题在于，这个计算机非常聪明，以至于它也带有一丝神秘感。当你问它：“为什么你预测会下雨？”它只会回答：“因为数据就是这样。”它不会告诉你哪一天的观测数据最重要。是昨天的降雨量？还是上周二的降雨量？

这篇论文介绍了一套全新的工具来回答这个问题。作者想要精确地测量每一个“滞后项”（即每一天的过去数据）对最终预测的贡献程度，无论该计算机使用的是简单的数学公式还是复杂的神经网络。

以下是利用日常类比对他们想法的解析：

1. 问题所在：“黑盒”预测

在时间序列预测中，输入通常只是同一事物的过去版本（例如过去的股票价格或过去的乘客人数）。传统的工具（如自相关函数）就像旧式的地图；它们在处理简单的直线道路（线性模型）时表现出色，但当道路扭曲并变成复杂的非线性丛林（神经网络）时，就会感到困惑。我们需要一种新的方法来观察哪些过去的日期实际上在驱动着预测。

2. 解决方案：两个新的“相关性”标尺

作者提出了两种主要的方法来衡量重要性，他们称之为自相关函数 (ARF) 和 偏自相关函数 (PARF)。

方法 A：“幽灵”替代法（幽灵变量）

想象你在烤一个蛋糕，你想知道鸡蛋有多重要。

标准做法： 你在不放鸡蛋的情况下烤一个蛋糕，看看味道是否变差。
时间序列的问题： 你不能直接“删除”昨天的温度。如果你删除了它，时间线就会断裂，食谱也就失去了意义。
论文中的妙招： 你不是删除昨天的温度，而是用一个**“幽灵”温度**来替换它。这个幽灵是一个聪明的猜测，它是基于忽略掉昨天之后，仅通过前一天和后一天的观测值来推测出的“如果昨天不存在，温度应该是多少”。
结果： 你用真实的温度烤一个蛋糕，然后再用“幽灵”温度烤一个蛋糕。如果蛋糕的味道完全不同，那么昨天的温度至关重要。如果蛋糕味道几乎一样，那么昨天的数据并不重要。

作者使用这种“幽灵”方法创建了一个评分（ARF），用来告诉你每一天过去的数据有多重要。

方法 B：“团队成员”得分（Shapley 值）

想象一支运动队，球员们（过去的日期）以不同的组合方式登场。有时球队只有前三名顶尖球员；有时则有五名。

概念： 这种基于数学理论中称为“Shapley 值”的方法是在问：“无论其他队员是谁，增加‘某一位特定球员’能让球队的得分提高多少？”
应用： 他们计算当你在其他天数的组合中加入“第 1 天”时，预测误差下降了多少，然后对“第 2 天”进行同样的操作，以此类推，遍历所有可能的日期组合。
结果： 这产生了一个“偏自相关函数”（PARF）。这就像是一个公平性评分，它能精确告诉你每一天过去的数据应该获得多少功劳，即使该数据只有在与其他特定日期结合时才发挥作用。

3. 秘诀所在：如何填补空白

这项研究面临的一个主要障碍是：在“幽灵”位置或“缺失的团队成员”位置放入什么？

旧方法： 直接放入零或者平均温度。这就像在阵容中放了一个假人；它破坏了比赛的连贯性。
论文的创新： 他们使用预测模型本身来预测缺失的值。如果你缺少“昨天的温度”，模型会观察其他可用的日期，并预测昨天“本该”是多少。
为什么有效： 这保持了时间序列“故事”的完整性。这就像是询问教练，如果一名球员缺席，情况会如何模拟，而不是直接留出一个空位。

4. 是否奏效？（结果）

作者在两类数据上测试了这些工具：

模拟数据： 他们创建了已知答案的虚构时间序列（例如，“我们建立了一个模型，其中只有第 1 天和第 3 天重要，第 2 天是没用的”）。
- 结果： 即使预测模型是一个复杂的神经网络，他们的工具也能正确识别出第 1 天和第 3 天是明星，而第 2 天是庸才。
真实数据： 他们使用了著名的“每月航空乘客”数据集。
- 结果： 这些工具准确地强调了预测下个月最重要的日期是 1 个月前、12 个月前（去年同期）以及 13 个月前。这符合人类对季节性模式的直觉。

5. 核心结论

该论文声称，这些新方法（ARF 和 PARF）具有以下特点：

模型无关性（Model-Agnostic）： 它们既适用于简单的数学模型，也适用于复杂的 AI “黑盒”。
准确性： 它们在简单且棘手的非线性情况下，都能成功找到重要的过去日期。
高效性： 与之前尝试实现相同功能的各种方法相比，它们的计算速度更快。

简而言之，作者建造了一把“手电筒”，让我们能够看清究竟是哪些过去的时刻在照亮未来的预测，即使执行预测的计算机本身复杂到无法解释自身。

技术摘要：单变量时间序列的自相关性函数及其他特征相关性度量

问题陈述
机器学习模型在时间序列预测中的广泛应用，产生了对可解释性的紧迫需求，特别是关于滞后观测值如何影响预测的问题。虽然经典的统计工具，如自相关函数（ACF）和偏自相关函数（PACF），能有效描述线性时间结构，但它们并不适用于解释现代“黑盒”预测模型（如神经网络）的行为。现有的特征重要性方法在处理时间序列时往往表现不佳，原因在于预测因子（滞后项）之间存在高度相关性，且缺乏处理基于联盟解释中“缺失”特征的模型无关策略。标准的插补技术（例如零填充或无条件均值）通常无法保留对预测至关重要的时间动态，从而导致具有误导性的相关性估计。

方法论
作者提出了一种模型无关的框架，用于量化单变量时间序列预测中滞后输入的全局相关性。该方法集成了两种主要途径：幽灵变量（Ghost Variables）和沙普利值（Shapley Values），并专门针对仅以序列滞后值为输入的预测任务进行了调整。

幽灵变量法（自相关性函数 - ARF）：
- 借鉴自幽灵变量方法论，该方法通过将实际的滞后值 $y_{t-h}$ 替换为插补的“幽灵”值 $\hat{y}^*_{t-h}$ 来评估特定滞后 $h$ 的相关性。
- 幽灵值由一个辅助插补模型（具体为多元线性回归）生成，该模型利用剩余的 $p-1$ 个滞后项来预测 $y_{t-h}$ 。
- 相关性通过比较原始模型与使用幽号值的模型的预测误差来进行量化。作者定义了两个指标：
  - ARF $_{MSPD}$ ：基于均方预测差（Mean Squared Prediction Difference）。
  - ARF $_{MSE}$ ：基于均方误差（MSE）贡献的变化。
沙普利值法（偏自相关性函数 - PARF）：
- 该方法将滞后项视为合作博弈中的参与者，计算每个滞后项在所有可能的联盟（滞后项的子集）中的平均边际贡献。
- 插补策略：处理联盟中缺失特征的一个关键创新是，作者建议使用由正在分析的同一个预测模型生成的单步提前预测来替换缺失的滞后项。这保持了序列的时间连贯性。
- 价值函数：价值函数基于相对于基准（样本均值）的 MSE 改进。
- 指标：
  - PARF $_{MSE}$ ：基于 MSE 贡献的标准沙普利值。
  - PARF $_{MSPD}$ ：基于平方预测差的标准沙普利值。
- 计算效率：不同于需要对每个观测值进行排列分析的局部 SHAP 方法，该框架通过对测试样本取平均值来计算全局相关性，从而显著降低了计算负担。

核心贡献

创新的时间序列插补法：本文引入了一种基于模型的单步提前插补方案，用于处理基于联盟方法的缺失特征。该策略使相关性分析与预测模型本身的动态特性保持一致，与静态插补相比，为顺序设置下的联盟定义提供了一种更自然的定义方式。
模型无关的滞后相关性：所提出的 ARF 和 PARF 度量既适用于经典统计模型（如 ARMA），也适用于复杂的黑盒模型（如循环神经网络），提供了一个统一的可解释性框架。
集成加性重要性度量：本研究将时间序列可解释性的实际需求与加性重要性度量（AIM）的理论基础联系起来，特别是利用了作为预测标准损失函数的 MSE。

结果
作者使用模拟数据（线性 ARMA、非线性状态切换模型）和真实世界数据集（每月航空乘客数据）对所提方案进行了评估。

线性模拟（AR(3) 和 ARMA(3,3)）：在线性设置中，ARF 和 PARF 均成功识别出了真实的非零滞后项（滞后 1 和 3），同时对无关滞后项（滞后 2）分配了微不足道的贡献，即使所拟合的模型是神经网络。
非线性模拟：在非线性状态切换模型中，相关性度量（特别是基于 MSE 贡献的 PARF）正确识别了驱动数据生成过程的主导滞后项（1、12 和 13），展示了对非线性的鲁棒性。
真实数据（航空乘客）：应用于经典的航空乘客数据集时，这些方法一致地强调了滞后 1、12 和 13 为最相关的项，这与已知的季节性结构相符。虽然神经网络模型显示的模式与 SARIMA 模型略有不同，但相关性度量仍捕捉到了基本的滞后结构。
插补对比：在非线性及复杂场景下，基于模型的单步提前插补通常优于线性插补，能够更清晰地识别主导滞后结构。

意义与主张
论文声称所提出的框架为解释时间序列预测模型提供了一个实用且有效的解决方案。作者强调：

这些方法在几乎所有测试案例中（包括黑盒神经网络）都成功恢复了预期的滞后结构。
单步提前插补策略为在顺序设置中定义联盟提供了一种自然的方法，避免了通用插补的启发式性质。
该方法在保持可解释性的同时，比标准的局部 SHAP 方法具有更高的计算效率。
该框架特别适用于时间序列，因为它尊重数据的时序性和动态性。

作者对局限性保持了谦逊的态度，指出该策略依赖于预测模型具有足够好的预测性能；性能较差的模型可能会通过插补过程引入噪声，从而导致误导性的相关性估计。未来的工作建议探索其他的相关性公式、引入外生预测变量以及扩展到多元时间序列。