Autorelevance function and other feature relevance measures for univariate time series
单变量时间序列的自相关式特征相关性度量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：摘要明确研究单变量时间序列预测中的滞后重要性，并使用季节性 ARMA 与循环神经网络，直接对应时间序列和预测方向。
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…
单变量时间序列的自相关式特征相关性度量
- 研究问题
- 机器学习预测模型中，各个滞后变量究竟有多重要；如何在保持时间序列依赖结构的同时解释其预测贡献？
- 方法与思路
- 作者结合 Ghost variables、Shapley 值和加性重要性度量，构造自相关式相关性函数，并以模型的一步预测替代缺失特征。
- 材料陈述的贡献
- 摘要称，在季节性 ARMA 和循环神经网络的模拟及实际数据案例中，所提度量在几乎所有情形下呈现预期的滞后结构。
- 阅读关注点
- 应核对相关性函数与偏相关性函数的定义、替代缺失特征的合理性，以及高度相关滞后项之间如何分配预测贡献。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明理论保证、案例规模及未成功恢复结构的情形。
原文摘要
We propose a model agnostic methodology to measure lag relevance in machine learning forecasting models applied to univariate time series. Particularly, we are working in the context of time series using the frameworks of Ghost variables and Shapley values, together with additive importance measures, to introduce the auto-relevance and partial auto-relevance functions as the lag importance values. Additionally, we propose a novel method to replace absent features in coalition based methods with a one step forecast from the same model. We evaluate these proposals under different simulations and real data cases. This combined framework perspective is particularly suitable for time series. In addition, to show our discoveries we use a pull of models from the seasonal ARMA family and recurrent neural networks. We found that the calculated relevance measures successfully demonstrate the expected lag structure in almost all cases.