在时间序列预测中，特征归因需要回答两个问题：特征在输入窗口的哪个时刻起作用，以及其影响在预测范围内如何变化。传统的 Shapley 解释器把每个特征视为单一玩家，导致这两个维度被合并。我们提出 TempShap，这是一种基于损失的回溯 Shapley 框架，玩家定义为输入矩阵中的每个单元格 $(t,i)$。其归因张量能够同时提供时间局部化和预测视角的影响曲线。我们通过三类实验验证其有效性：植入已知时间结构的合成数据、可解析的精确单元格博弈以及针对线性预测器的闭式归因oracle。Permutation sharing 方法在局部扰动代价下估计单元格博弈。面对冗余输入时，逐一删除的评分会低估可替代信息，而带符号的 Shapley 分解保持总价值，并在均值掩码下提供更可靠的持出删除排序。我们构造了一个针对冗余机制的对立示例。实验在多种 Shapley 估计器、预测基准和模型族上均展示了删除排序的优势。因此，TempShap 使细粒度的 Shapley 归因既可行又具实用价值。
点评：TempShap 通过将每个时间‑特征对视为独立玩家，实现了对特征影响的时序定位和预测范围量化，为解释时间序列模型提供了更细致、可靠的工具。