进行准确和可解释的时间序列预测是重要的，但也是具有挑战性的。虽然深度学习方法可以提高预测精度，但往往会牺牲可解释性。在本文中，我们提出了一种新的系列显著性方案，以提高准确性和可解释性。通过从时间序列的滑动窗口中提取序列图像，我们设计了序列显著性作为序列图像与其扰动版本之间的一种混合策略，并在其之间添加了可学习的掩码。序列显著性与模型无关，是一种用于训练深度模型的自适应数据增强方法。此外，通过略微改变目标，我们优化序列显著性，以找到一个掩模，在特征和时间维度上都可解释预测。在多个真实数据集上的实验结果表明，序列显著性能有效地产生准确的时间序列预测结果和时间解释。
背景：
1.现有的工作通常要么考虑时间域，要么考虑特征域，或者通过两阶段方法分别处理它们。
总结：这篇论文很有参考性，在时间域和频率域上进行结合分析。尤其文中提出使用一种类似图像序列feature map的方法，可以有效将不同时刻下，时间序列特征提取出来，在时间维度上形成一系列的图像序列图。
方案：
我们提出了一种新的序列显著性策略，通过连贯地考虑时间和特征维来提高深度时间序列模型的预测精度和可解释性。
我们将多元时间序列视为一组窗口特征序列图像，将序列显著性设计为序列图像与其扰动图像之间的掩码混合，其中掩码是一个可学习的矩阵。系列显著性是模型无关的，可以作为一种有效的数据增强方法来提高深度预测模型的准确性，其中增强策略是可学习的和自适应的，因此不同于常见的增强方法。此外，通过简单地改变目标函数，我们可以优化系列显著性模块，以找到一个掩码(即热图)，确定用于预测的重要区域，从而提高可解释性。
框架
1）Series Saliency
序列显著性有利于提高时间序列数据的预测精度和解释。我们首先将多元时间序列表示为一组二维序列图像，在给定的时间窗口内，每个序列图像都对应着多元时间序列的一部分。
为了减轻对噪声(或模糊)的敏感性，序列显著性模块进一步引入了一个可学习的掩模M，并有选择地将参考序列图像和原始图像结合起来
Training with Series Saliency
我们建议将最终的预测分解成专注于局部规模问题线性部分加上包含复杂时间模式的非线性部分
1）对于线性部分，我们选择一个自回归模型
2）a nonlinear deep learning (DL)
3)最终的预测结果由DL和AR的输出组合得到:
training loss
interpretation loss
实验部分
结论
我们提出了一种新的序列显著性方案，以提高多元时间序列预测的准确性和可解释性。通过从时间序列的滑动窗口中提取序列图像，我们将序列显著性设计为一种混合方法，在序列图像及其扰动版本上定义一个可学习的掩码。序列显著性作为一种自适应的数据增强方法用于训练深度模型，同时通过对目标的轻微改变，优化该方法可以在特征维和时间维上找到可解释预测的掩模。实验结果表明，序列显著性优于各种基线。
