Time series forecasting involves collecting and analyzing past observations to develop a model to extrapolate such observations into the future. Forecasting of future events is important in many fields to support decision making as it contributes to reducing the future uncertainty. We propose explainable boosted linear regression (EBLR) algorithm for time series forecasting, which is an iterative method that starts with a base model, and explains the model’s errors through regression trees. At each iteration, the path leading to highest error is added as a new variable to the base model. In this regard, our approach can be considered as an improvement over general time series models since it enables incorporating nonlinear features by residual explanation. More importantly, use of the single rule that contributes to the error most enables access to interpretable results. The proposed approach extends to probabilistic forecasting through generating prediction intervals based on the empirical error distribution. We conduct a detailed numerical study with EBLR and compare against various other approaches. We observe that EBLR substantially improves the base model performance through extracted features, and provide a comparable performance to other well established approaches. The interpretability of the model predictions and high predictive accuracy of EBLR makes it a promising method for time series forecasting.

时间序列预测涉及收集和分析过去的观察结果，以开发一个模型来将这些观察结果外推到未来。预测未来事件在许多领域对支持决策很重要，因为它有助于减少未来的不确定性。我们提出了用于时间序列预测的可解释增强线性回归 (EBLR) 算法，这是一种从基本模型开始的迭代方法，并通过回归树来解释模型的错误。在每次迭代中，导致最高误差的路径作为新变量添加到基础模型中。在这方面，我们的方法可以被认为是对一般时间序列模型的改进，因为它可以通过残差解释来合并非线性特征。更重要的是，使用导致错误最多的单一规则可以访问可解释的结果。所提出的方法通过基于经验误差分布生成预测区间扩展到概率预测。我们使用 EBLR 进行了详细的数值研究，并与其他各种方法进行了比较。我们观察到 EBLR 通过提取特征显着提高了基础模型的性能，并提供了与其他成熟方法相当的性能。EBLR 模型预测的可解释性和高预测精度使其成为时间序列预测的一种有前途的方法。我们使用 EBLR 进行了详细的数值研究，并与其他各种方法进行了比较。我们观察到 EBLR 通过提取特征显着提高了基础模型的性能，并提供了与其他成熟方法相当的性能。EBLR 模型预测的可解释性和高预测精度使其成为时间序列预测的一种很有前途的方法。我们使用 EBLR 进行了详细的数值研究，并与其他各种方法进行了比较。我们观察到 EBLR 通过提取特征显着提高了基础模型的性能，并提供了与其他成熟方法相当的性能。EBLR 模型预测的可解释性和高预测精度使其成为时间序列预测的一种有前途的方法。