本研究提出了一种新的在线模型选择框架，解决了时间序列预测中深度学习模型复杂性导致的可解释性不足问题。通过元学习识别特定预测需求，仅在必要时使用复杂模型，结果表明，选择简单的线性模型可以取得竞争力的预测性能，降低了使用不透明黑箱模型的需求。