C-SHAP用于时间序列：一种高层次时间解释的方法

时间序列在能源预测、医疗保健和工业等领域中无处不在。利用人工智能系统，可以高效地处理这些领域中的某些任务。可解释人工智能（XAI）旨在通过解释模型推理来提高人工智能解决方案的可靠性。对于时间序列，许多XAI方法提供基于点或序列的归因图。这些方法从低级模式的角度解释模型推理。然而，它们并未捕捉可能影响模型推理的高级模式。我们提出了一种基于概念的方法，以这些高级模式提供解释。在本文中，我们介绍了用于时间序列的C-SHAP，这是一种确定概念对模型结果贡献的方法。我们提供了C-SHAP的一般定义，并展示了使用时间序列分解的示例实现。此外，我们通过一个来自能源领域的用例展示了该方法的有效性。