論文の概要: Interpreting Time Series Forecasts with LIME and SHAP: A Case Study on the Air Passengers Dataset

• arxiv url: http://arxiv.org/abs/2508.12253v1
• Date: Sun, 17 Aug 2025 06:22:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.635055
• Title: Interpreting Time Series Forecasts with LIME and SHAP: A Case Study on the Air Passengers Dataset
• Title（参考訳）: LIME と SHAP による時系列予測の解釈:航空利用者データセットを事例として
• Authors: Manish Shukla,
• Abstract要約: 時系列の予測は、航空、エネルギー、小売、健康において重要な決定を下している。 本稿では,局所的な解釈可能なモデルに依存しない説明を用いて時系列予測を解釈するための統一的な枠組みを提案する。 特に12ヶ月のラグと季節的なエンコーディングは、ほとんどの予測のばらつきを説明します。
• 参考スコア（独自算出の注目度）: 1.9943074894669668
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-series forecasting underpins critical decisions across aviation, energy, retail and health. Classical autoregressive integrated moving average (ARIMA) models offer interpretability via coefficients but struggle with nonlinearities, whereas tree-based machine-learning models such as XGBoost deliver high accuracy but are often opaque. This paper presents a unified framework for interpreting time-series forecasts using local interpretable model-agnostic explanations (LIME) and SHapley additive exPlanations (SHAP). We convert a univariate series into a leakage-free supervised learning problem, train a gradient-boosted tree alongside an ARIMA baseline and apply post-hoc explainability. Using the Air Passengers dataset as a case study, we show that a small set of lagged features -- particularly the twelve-month lag -- and seasonal encodings explain most forecast variance. We contribute: (i) a methodology for applying LIME and SHAP to time series without violating chronology; (ii) theoretical exposition of the underlying algorithms; (iii) empirical evaluation with extensive analysis; and (iv) guidelines for practitioners.
• Abstract（参考訳）: 時系列の予測は、航空、エネルギー、小売、健康において重要な決定を下している。 古典的自己回帰統合移動平均(ARIMA)モデルは係数による解釈性を提供するが、非線形性に苦しむ一方、XGBoostのような木に基づく機械学習モデルは精度が高いが、しばしば不透明である。 本稿では,LIMEとSHAPを用いた時系列予測を統一的に解釈するフレームワークを提案する。 単変量列を漏れのない教師付き学習問題に変換し、ARIMAベースラインと共に勾配木を訓練し、ポストホック説明可能性を適用する。 Air Passengersのデータセットをケーススタディとして、小さなラグ(特に12ヶ月のラグ)と季節的なエンコーディングが、ほとんどの予測のばらつきを説明することを示している。 コントリビューション: 一 時系列に違反することなく、時系列にLIME及びSHAPを適用する方法 (ii) 基礎となるアルゴリズムの理論的説明 三 広範囲な分析による経験的評価、及び (4)開業医のガイドライン。

関連論文リスト

• Towards Accurate and Interpretable Time-series Forecasting: A Polynomial Learning Approach [14.252057458281909]
  時系列予測は早期警告を可能にし、アセットパフォーマンス管理を従来の計画されたメンテナンスから予測的なメンテナンスへと駆り立てた。 予測方法における解釈可能性の欠如は、ユーザの信頼を損なうとともに、開発者の複雑さを損なう。 本稿では,モデル構造に解釈可能性を統合する,解釈型学習(IPL)手法を提案する。
  論文  参考訳（メタデータ） (2026-03-03T11:59:46Z)
• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• PAX-TS: Model-agnostic multi-granular explanations for time series forecasting via localized perturbations [1.1247041770660733]
  PAX-TSは時系列予測モデルとその予測を説明するモデルに依存しないポストホックアルゴリズムである。 提案手法は,局所的な入力摂動に基づいて,複数の粒界的な説明を行う。 異なるデータセットやアルゴリズムで繰り返し発生するパターンの6つのクラスを特定します。
  論文  参考訳（メタデータ） (2025-08-26T12:31:53Z)
• Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching [9.465542901469815]
  Conditional Guided Flow Matching (CGFM) は、補助的な予測モデルから出力を統合することで、フローマッチングを拡張するモデルに依存しないフレームワークである。 CGFMは、歴史的データを条件とガイダンスの両方に取り入れ、一方の条件付きパスを使用し、アフィンパスを用いて経路空間を拡大する。 データセットとベースラインにわたる実験は、CGFMが常に最先端のモデルより優れており、予測が進んでいることを示している。
  論文  参考訳（メタデータ） (2025-07-09T18:03:31Z)
• XForecast: Evaluating Natural Language Explanations for Time Series Forecasting [72.57427992446698]
  時系列予測は、特に正確な予測に依存するステークホルダーにとって、意思決定を支援する。 伝統的に説明可能なAI(XAI)メソッドは、機能や時間的重要性を基盤とするものであり、専門家の知識を必要とすることが多い。 時系列データにおける複雑な因果関係のため,予測NLEの評価は困難である。
  論文  参考訳（メタデータ） (2024-10-18T05:16:39Z)
• Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
  本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。 ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。 以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-10-12T08:51:59Z)
• Mixed moving average field guided learning for spatio-temporal data [0.0]
  我々は,新しいベイズ時間埋め込みと理論誘導型機械学習アプローチを定義し,アンサンブル予測を行う。 リプシッツ予測器を用いて、バッチ学習環境における固定時間および任意の時間PACを決定する。 次に、線形予測器とOrnstein-Uhlenbeckプロセスからシミュレーションしたデータセットを用いて学習手法の性能を検証した。
  論文  参考訳（メタデータ） (2023-01-02T16:11:05Z)
• Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
  時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。 TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。 共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-20T17:40:03Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Simultaneously Reconciled Quantile Forecasting of Hierarchically Related Time Series [11.004159006784977]
  本稿では,階層間の予測の整合性を維持するために,量子レグレッション損失を最適化するフレキシブル非線形モデルを提案する。 ここで導入された理論的枠組みは、下層の微分可微分損失関数を持つ任意の予測モデルに適用できる。
  論文  参考訳（メタデータ） (2021-02-25T00:59:01Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。