ConceptTS：LLM 引导的可解释多元时间序列预测的概念瓶颈

最先进的多元时间序列预测器可以对复杂的时间和跨变量依赖关系进行建模，但它们的不透明表示无法深入了解特定预测的产生原因。这种透明度的缺乏限制了它们在从业者必须理解和评估预测背后的因素的环境中的使用。我们引入了 ConceptTS，这是一个可解释的预测框架，它围绕命名的、人类可读的概念来组织预测。 ConceptTS 使用 大语言模型 提出与任务相关的概念并生成可执行的标记规则，将语言模型的领域知识转化为直接监督，而无需昂贵的手动概念注释。所提出的概念被组织成三个互补的瓶颈，描述历史背景、局部预测区间和完整的预测范围。共享解码器结合从预测激活中得出的表示来构建预测，使模型的决策过程明确并支持直接的概念级干预。在北京多站点空气质量数据集上进行的实验表明，ConceptTS 的准确性可与强大的黑盒基线相媲美，同时产生语义上有意义的概念激活。