在深度学习模型在时间序列预测中展现出强大潜力的同时，其在实际环境监测中的应用依然面临挑战，尤其是由于非平稳动态与有限的可解释性。本研究将可解释性作为理解适应性时间序列预测中连续学习的核心工具，结合经验重放策略。
我们研究了诸如 PatchMixer、PatchTST 和 DLinear 等神经网络预测架构，并增强了基于注意力的采样机制，以支持模型的时间适应性。通过注意力展开和基于梯度的归因方法（Grad-CAM），我们分析了连续学习框架内的预测行为和采样策略。
在对显示异质性模式和状态转变的真实世界水文时间序列进行的实验中，分析模型和采样行为为理解连续学习框架的动态提供了有价值的见解。我们的结果不仅强调了预测性能的提升，还揭示了利用可解释性理解连续学习行为的挑战与机遇，揭示了归因模式如何随时间演变，以及它们如何为非平稳预测场景中的数据选择与适应策略提供信息。
博主点评： 本文深入探讨了深度学习在时间序列预测中的可解释性问题，强调了在动态环境下理解模型行为的重要性。通过结合经验重放和注意力机制，研究为未来的模型设计提供了新的思路，值得关注。