التنبؤات الزمنية القابلة للتفسير باستخدام SHAP خالية من العيّنة للنماذج المحوّلة

لماذا يحتاج التنبؤ الذكي إلى أن يُفهم

من تخطيط شبكة الطاقة إلى تحديد أسعار الكهرباء غدًا، تعتمد العديد من القرارات على نماذج حاسوبية تتنبأ بكيفية تغير الأرقام عبر الزمن. لقد أصبحت هذه النماذج قوية جدًا، لكنها أيضًا أصعب في الفهم، مما قد يجعل الناس يترددون في الوثوق بها في مجالات حساسة مثل أنظمة الطاقة. تعرض هذه الورقة SHAPformer، نهجًا للتنبؤ لا يكتفي بتحقيق تنبؤات دقيقة فحسب، بل يوضح بوضوح أي أجزاء من المعلومات السابقة أثّرت في كل تنبؤ.

كيف يمكن أن يتحول التنبؤ إلى صندوق أسود

غالبًا ما تستخدم أساليب التنبؤ الحديثة بالسلاسل الزمنية التعلم العميق، ولا سيما نماذج المحوّل التي بُنيت في الأصل لترجمة اللغات. يمكنها التعامل مع العديد من المدخلات، مثل الطلب الكهربائي السابق والطقس ومعلومات التقويم، وتتعلم أنماطًا معقدة من مجموعات بيانات ضخمة. ومع ذلك، تظل آلياتها الداخلية مخفية إلى حد كبير، فلا يستطيع المستخدمون بسهولة رؤية سبب صدور تنبؤ معين. وتُعدّ هذه الشفافية الناقصة مهمة عمليًا، لأن مشغلي الشبكات والمنظمين والشركات يطالبون بشكل متزايد بتفسيرات قبل الاعتماد على مخرجات النموذج التي قد تؤثر على التكاليف أو السلامة أو الامتثال.

طريقة لتوزيع الفضل بعدل بين المدخلات

إحدى عائلات أدوات التفسير الشائعة تستند إلى فكرة توزيع الفضل بعدل بين المدخلات. في هذا الإطار، يُعامل كل متغيّر، مثل طلب الأمس أو درجة حرارة اليوم، كعنصر مشاركة في لعبة تعاونية، ويُعدّ تنبؤ النموذج نتيجة تلك اللعبة. تقدر طرق شابلي، المجموعة تحت اسم SHAP، مقدار مساهمة كل ميزة في المتوسط عبر مقارنة التنبؤات بوجود تلك الميزة وبدونها. ومع ذلك، تعتمد أدوات SHAP الحالية للسلاسل الزمنية عادة على أخذ عينات من أمثلة اصطناعية كثيرة أو استبدال المدخلات المفقودة بقيم مرجعية، وكلاهما قد يكون بطيئًا وقد يخلق سيناريوهات غير واقعية تشوّه التفسير.

المسار القصير الجديد لـ SHAPformer نحو إجابات واضحة

تعيد SHAPformer تصميم نموذج التنبؤ ذاته بحيث تنبثق التفسيرات بشكل طبيعي، دون اعتماد كبير على العينات. يجمع النموذج مجموعات المدخلات ذات العلاقة، مثل كل القيم في يوم واحد أو كل الملاحظات لمتغير طقس واحد، ويدرّب المحوّل بحيث يعمل حتى عندما تُخبأ بعض هذه المجموعات عمدًا. باستخدام تقنية تُسمى تلاعب الانتباه، يمكن للنموذج أن يشغّل أو يوقف مجموعات الميزات بوضوح عند توليد التنبؤ. هذا يجعل من الممكن حساب مساهمات نمط SHAP بدقة عبر تقييم كل تراكيب هذه المجموعات مباشرة، بدلًا من تقريبهما باستخدام عينات عشوائية. النتيجة هي نموذج يمكنه تفسير تنبؤ واحد في أقل من ثانية، بتحسّن في السرعة يقارب 50 إلى 1000 مرة مقارنة بطريقة SHAP القائمة على أخذ العينات والشائعة الاستخدام.

التحقق من التفسيرات مقابل حقيقة معروفة

لاختبار مدى موثوقية تفسيرات SHAPformer، بنى المؤلفون في البداية مجموعة بيانات تركيبية حيث القواعد التي تولد البيانات معروفة بالكامل. ثم استخدموا هذه القواعد لاشتقاق «حقيقة مرجعية» لمقدار أهمية كل مدخل وكيف تؤثر بالضبط على التنبؤ. طابقت تفسيرات SHAPformer هذه الحقيقة المرجعية عن كثب، سواء من حيث الأهمية الكلية أو الأنماط التفصيلية، مثل كيف تقلل العطلات الطلب أو كيف تغير عطلات نهاية الأسبوع منحنيات اليوم. أما الطرق المنافسة فإما أخطأت في تقدير أي الميزات هي الأهم أو قدّمت تفسيرات أكثر ضوضاءً وعدم اتساق.

ما تكشفه النموذج عن بيانات الطاقة الحقيقية

بعد ذلك، طُبّق SHAPformer على بيانات العالم الحقيقي الخاصة بالطلب الكهربائي من مشغل نظام نقل ألماني وعلى أسعار الكهرباء لليوم التالي في منطقة سوق أوروبية. في حالة الحمل، أكد النموذج أن المدخل الأكثر تأثيرًا هو الحمولة قبل أسبوع واحد، يليه يوم الأسبوع والساعة من اليوم، مع لعب درجة الحرارة والشهر والعطلات أدوارًا واضحة لكنها أصغر. التقط النموذج أنماطًا بديهية، مثل انخفاض الأحمال في عطلات نهاية الأسبوع، وقلة النشاط حول عيد الميلاد، وارتفاع الطلب في الأيام الباردة. بالنسبة لأسعار الكهرباء، أبرز النموذج الأسعار الماضية وأنماط الوقت من اليوم، لكنه أظهر أيضًا كيف أن إنتاج الرياح والطاقة الشمسية الأقوى يميل إلى خفض الأسعار، وهو ما يتوافق مع التوقُّعات الاقتصادية.

لماذا تهم هذه الرؤى

تظهر SHAPformer أنه من الممكن بناء نماذج تنبؤية تكون قوية الأداء وواضحة في تفسيرها في آن واحد. بدلاً من اعتبار التفسيرات مضافة مكلفة، تُدمج الطريقة التفسيرات في تصميم المحوّل بحيث يأتي كل تنبؤ مع تفصيل سريع وصادق للعوامل التي دفعته. بالنسبة لصانعي القرار في قطاع الطاقة وقطاعات أخرى الحساسة للزمن، يعني ذلك أنهم يمكنهم رؤية ليس فقط ما يتوقعه النموذج أن يحدث، بل أيضًا لماذا، مما يدعم حكمًا أفضل، وشفافية تنظيمية، واستخدامًا أكثر وعيًا لأدوات الذكاء الاصطناعي المتقدِّم.

الاستشهاد: Hertel, M., Pütz, S., Mikut, R. et al. Explainable time-series forecasting with sampling-free SHAP for Transformers. Nat Commun 17, 4723 (2026). https://doi.org/10.1038/s41467-026-73243-5

الكلمات المفتاحية: تنبؤ السلاسل الزمنية, الذكاء الاصطناعي القابل للتفسير, نماذج المحوّل, حمولة الكهرباء, قيم SHAP