知识卡片：ConceptTS——面向可解释多变量时间序列预测的LLM引导概念瓶颈框架

一句话结论

ConceptTS 提出一种用大语言模型（LLM）生成命名概念和自动标注规则的多变量时间序列预测框架，在保持与强黑盒基线相当精度的同时，通过概念瓶颈提供可读、可干预的预测解释。

事件概述或研究问题

现有先进的多元时间序列预测模型虽能捕捉复杂的时间依赖和跨变量关系，但其内部表示不透明，从业者难以理解某个预测结果为何产生。这种缺乏可解释性的问题，限制了模型在需要理解并评估预测依据的场景中的应用。本文提出 ConceptTS，将预测过程组织为围绕命名且可读的概念，使决策过程显式化。

方法/产品要点

• LLM 提出概念与规则：ConceptTS 使用大语言模型提出与任务相关的概念，并生成可执行的标注规则，从而将 LLM 的领域知识转化为直接监督信号，避免昂贵的人工概念标注。
• 三类互补瓶颈：概念被组织为三个互补的瓶颈，分别描述：
  • 历史上下文；
  • 局部预测区间；
  • 完整预测范围。
• 共享解码器：一个共享解码器结合由预测激活导出的表示来构建最终预测，使模型的决策过程显式化，并支持直接的概念级干预。

主要结果或产业意义

• 在北京多站点空气质量数据集（Beijing Multi-Site Air Quality dataset）上的实验显示，ConceptTS 取得了与强黑盒基线竞争性的准确率，同时产生语义上有意义的概念激活。
• 该框架的意义在于为高风险时间序列预测场景提供了一种“可理解的预测”路径，并允许用户通过干预概念来调整或审计预测。

为什么重要

• 这是已有相关卡片中较少覆盖的新增方向：将 LLM 与概念瓶颈结合，专门用于多变量时间序列预测的可解释性。
• 对比已有“RMISC”语料库工作强调数据规模与零样本泛化，或“ClinPRISM”强调计算效率，ConceptTS 的增量信息集中在“预测过程的可解释性与概念级干预”上。
• 相比传统事后解释方法，ConceptTS 通过概念瓶颈使预测依据在生成阶段即显式化，且无需人工标注概念。

局限与不确定性

• 目前仅在空气质量数据集上验证，尚未确认在金融、能源、医疗等其他多元时间序列场景的泛化能力（待核实）。
• 论文摘要未提供与黑盒基线在多种数据集或指标上的详细数值对比，具体误差改进幅度待核实。
• 概念的质量依赖 LLM 对领域知识的覆盖程度，LLM 生成错误或不完整概念时的鲁棒性待核实。
• 概念级干预的实际操作效果和对预测可靠性的影响，未在摘要中展开，待核实。

可用于图书/PPT/简报的角度

• 用图表展示“黑盒预测 vs. 概念瓶颈预测”的对比：黑盒输入序列到输出预测之间是一团暗箱，而 ConceptTS 通过“概念激活→共享解码器→预测”让中间环节可读。
• 示例：空气污染预测中，LLM 生成“高风速时段”“交通高峰”“逆温条件”等概念，然后以这些概念的激活强度解释 PM2.5 预测。
• 关键词：Interpretable AI, Time-Series Forecasting, Concept Bottleneck, LLM, Multivariate Forecasting。

与既有脉络的关系

• 本文继续了“时间序列基础模型可解释性”这一趋势，但不同于 RMISC（注重数据构建）和 ClinPRISM（注重推理效率），本文聚焦于预测解释的结构化表示。
• 与“可解释的自适应采样用于LLM测试时缩放”相比，两者都强调可解释信号，但本文将可解释性引入时间序列预测的模型架构内部，而非推理采样控制。

原始材料

• 英文标题：ConceptTS: LLM-Guided Concept Bottlenecks for Interpretable Multivariate Time-Series Forecasting
• 英文关键词：Interpretable Time-Series Forecasting; Concept Bottleneck; Large Language Model; Multivariate Forecasting
• 来源：arXiv:2608.21277v1
• URL: https://arxiv.org/abs/2608.21277v1