一种基于深度强化学习的时序数据趋势预测可解释性方法

本发明公开了一种基于深度强化学习的时序数据趋势预测可解释性方法，属于机器学习技术领域。针对时序数据预测结果的可解释性问题，通过利用图网络对节点和图级嵌入进行表示学习，以深入理解图结构数据的内在特征；同时，评估节点特征与预测结果之间的相关性和重要性，以揭示模型对于不同特征的关注程度，这有助于为后续的解释步骤提供基础。针对图节点匹配时的高计算复杂度，使用高斯混合网络等聚类算法先对目标类的源图进行精确表示，在具有代表性的图集上基于强化学习进行节点匹配操作构建原型图。通过分析原型图结构及节点特征的数据特点，提供直观地解释来理解模型的预测结果。