Erklärbare Zeitreihenprognosen mit sampling-freiem SHAP für Transformer

Warum smarte Prognosen verstanden werden müssen

Von der Planung des Stromnetzes bis zur Festlegung der morgigen Strompreise stützen sich viele Entscheidungen auf Computermodelle, die vorhersagen, wie sich Zahlen über die Zeit verändern. Diese Modelle sind extrem leistungsfähig geworden, aber auch schwerer zu durchschauen, was dazu führen kann, dass man ihnen in kritischen Bereichen wie Energiesystemen weniger vertraut. Dieses Papier stellt SHAPformer vor, einen Prognoseansatz, der nicht nur genaue Vorhersagen liefert, sondern auch klar aufzeigt, welche früheren Informationen jede einzelne Prognose am stärksten beeinflusst haben.

Wie Prognosen zur Blackbox werden

Moderne Zeitreihenprognosen nutzen häufig Deep Learning, insbesondere Transformer-Modelle, die ursprünglich für Sprachübersetzung entwickelt wurden. Sie können viele Eingaben verarbeiten, etwa vergangene Stromnachfrage, Wetter- und Kalenderdaten, und aus umfangreichen Datensätzen komplexe Muster lernen. Ihre inneren Abläufe bleiben jedoch weitgehend verborgen, sodass Anwender nicht leicht nachvollziehen können, warum eine bestimmte Vorhersage entstanden ist. Dieser Mangel an Transparenz ist in der Praxis relevant, weil Netzbetreiber, Regulierungsbehörden und Unternehmen zunehmend Erklärungen verlangen, bevor sie sich auf Modellresultate verlassen, die Kosten, Sicherheit oder Compliance beeinflussen könnten.

Eine faire Aufteilung des Verdienstes unter den Eingaben

Eine verbreitete Familie von Erklärungswerkzeugen beruht auf der Idee, den „Verdienst" fair unter den Eingaben aufzuteilen. Dabei wird jedes Merkmal, etwa die Nachfrage von gestern oder die Temperatur heute, wie ein Spieler in einem kooperativen Spiel behandelt, und die Vorhersage des Modells ist das Ergebnis dieses Spiels. Shapley-basierte Methoden, zusammengefasst unter dem Namen SHAP, schätzen, wie viel jedes Merkmal im Durchschnitt beiträgt, indem sie Vorhersagen mit und ohne dieses Merkmal vergleichen. Bestehende SHAP-Werkzeuge für Zeitreihen stützen sich jedoch meist darauf, viele künstliche Beispiele zu samplen oder fehlende Eingaben durch Baseline-Werte zu ersetzen – beides kann langsam sein und unrealistische Szenarien erzeugen, die die Erklärung verzerren.

SHAPformers neuer kurzer Weg zu klaren Antworten

SHAPformer gestaltet das Prognosemodell so um, dass Erklärungen automatisch und ohne aufwändiges Sampling entstehen. Es gruppiert verwandte Eingaben, etwa alle Werte eines Tages oder alle Beobachtungen einer Wettergröße, und trainiert den Transformer so, dass er auch funktioniert, wenn einige dieser Gruppen absichtlich verborgen sind. Mit einer Technik namens Attention-Manipulation kann das Modell Merkmalsgruppen beim Erzeugen einer Vorhersage sauber ein- oder ausschalten. Dadurch lassen sich exakte SHAP-ähnliche Beiträge berechnen, indem alle Kombinationen dieser Gruppen direkt ausgewertet werden, statt sie aus zufälligen Stichproben zu approximieren. Das Ergebnis ist ein Modell, das eine einzelne Prognose in weniger als einer Sekunde erklären kann — eine Beschleunigung um etwa das 50- bis 1000-fache gegenüber einer weitverbreiteten, samplingbasierten SHAP-Methode.

Erklärungen gegen eine bekannte Wahrheit prüfen

Um zu prüfen, ob die Erklärungen von SHAPformer vertrauenswürdig sind, erstellten die Autoren zunächst einen synthetischen Datensatz, bei dem die Regeln zur Datenentstehung vollständig bekannt sind. Aus diesen Regeln leiteten sie dann eine „Ground Truth“ ab, wie stark jede Eingabe wirken sollte und wie sie die Prognose genau beeinflusst. Die Erklärungen von SHAPformer stimmten eng mit dieser Ground Truth überein, sowohl hinsichtlich der Gesamtwichtigkeit als auch in detaillierten Mustern, etwa wie Feiertage die Nachfrage verringern oder wie Wochenenden Tagesverläufe verändern. Konkurrenzmethoden schätzten entweder falsch ein, welche Merkmale am wichtigsten sind, oder lieferten verrauschtere und inkonsistente Erklärungen.

Was das Modell über reale Energiedaten verrät

Anschließend wurde SHAPformer auf reale Daten zur Stromnachfrage eines deutschen Übertragungsnetzbetreibers und auf Day-Ahead-Strompreise in einer europäischen Marktzone angewendet. Im Lastfall bestätigte das Modell, dass der einzelne einflussreichste Eingang die Last von einer Woche zuvor ist, gefolgt vom Wochentag und der Stunde des Tages, wobei Temperatur, Monat und Feiertage ebenfalls erkennbare, aber kleinere Rollen spielen. Es erfasste intuitive Muster wie geringere Lasten an Wochenenden, reduzierte Aktivität rund um Weihnachten und höhere Nachfrage an kalten Tagen. Bei den Strompreisen hob das Modell vergangene Preise und Tageszeitmuster hervor, zeigte aber auch, wie stärkere Wind- und Solarproduktion tendenziell die Preise senken — im Einklang mit wirtschaftlichen Erwartungen.

Warum diese Erkenntnisse wichtig sind

SHAPformer zeigt, dass es möglich ist, Prognosemodelle zu entwickeln, die sowohl leistungsstark sind als auch ihre Gründe offenlegen. Anstatt Erklärungen als teuren Zusatz zu behandeln, integriert die Methode sie in das Design des Transformers, sodass jede Vorhersage eine schnelle, treue Aufschlüsselung der treibenden Faktoren mitliefert. Für Entscheidungsträger in der Energiebranche und anderen zeitkritischen Bereichen bedeutet das, dass sie nicht nur sehen, was das Modell erwartet, sondern auch warum — was bessere Urteilsbildung, regulatorische Transparenz und eine informiertere Nutzung fortschrittlicher KI-Werkzeuge unterstützt.

Zitation: 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

Schlüsselwörter: Zeitreihenprognose, erklärbare KI, Transformer-Modelle, Stromlast, SHAP-Werte