Interpreting Time Series Forecasts with LIME and SHAP: A Case Study on the Air Passengers Dataset
用 LIME 与 SHAP 解释时间序列预测：航空旅客数据案例AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以单变量时间序列预测、ARIMA 基准和预测解释为主要内容，因此选择时间序列与预测方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用 LIME 与 SHAP 解释时间序列预测：航空旅客数据案例
- 研究问题
- 如何在遵守时间顺序并防止信息泄漏的前提下解释机器学习时间序列预测，识别滞后项与季节特征的作用？
- 方法与思路
- 作者将单变量序列转为监督学习任务，训练梯度提升树并设置 ARIMA 基准，再用 LIME 和 SHAP 进行事后解释。
- 材料陈述的贡献
- 摘要称提供保持时间顺序的解释流程、算法说明与实践指南，航空旅客案例中十二个月滞后等少数特征解释大部分预测变异。
- 阅读关注点
- 应核对训练测试划分、特征生成与解释样本是否使用未来信息，以及相关滞后特征下 LIME 和 SHAP 解释的稳定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；摘要未给出预测误差和解释评价细节，特征归因不能直接解释为因果效应。
原文摘要
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.