Pronóstico explicable de series temporales con SHAP sin muestreo para Transformers

Por qué los pronósticos inteligentes deben comprenderse

Desde la planificación de la red eléctrica hasta la fijación de los precios de la electricidad para mañana, muchas decisiones dependen de modelos informáticos que predicen cómo cambian los números a lo largo del tiempo. Estos modelos se han vuelto extremadamente potentes, pero también más difíciles de entender, lo que puede hacer que la gente desconfíe de ellos en áreas críticas como los sistemas energéticos. Este trabajo presenta SHAPformer, un enfoque de pronóstico que no solo realiza predicciones precisas, sino que también muestra con claridad qué fragmentos de información pasada influyeron más en cada pronóstico.

Cómo el pronóstico puede convertirse en una caja negra

El pronóstico moderno de series temporales suele usar aprendizaje profundo, en especial modelos Transformer desarrollados originalmente para la traducción de lenguajes. Pueden manejar muchas entradas, como la demanda eléctrica pasada, el tiempo y la información del calendario, y aprender patrones complejos a partir de grandes conjuntos de datos. Sin embargo, su funcionamiento interno está en gran medida oculto, por lo que los usuarios no pueden ver fácilmente por qué se hizo una predicción en particular. Esta falta de transparencia importa en la práctica, porque los operadores de la red, los reguladores y las empresas exigen cada vez más explicaciones antes de confiar en salidas del modelo que podrían afectar costes, seguridad o cumplimiento normativo.

Una forma de repartir crédito entre las entradas

Una familia popular de herramientas de explicación se basa en la idea de repartir el crédito entre las entradas de forma justa. En esta visión, cada característica, como la demanda de ayer o la temperatura de hoy, se trata como un jugador en un juego cooperativo, y la predicción del modelo es el resultado de ese juego. Los métodos basados en Shapley, agrupados bajo el nombre SHAP, estiman cuánto contribuye cada característica en promedio comparando las predicciones con y sin esa característica. Sin embargo, las herramientas SHAP existentes para series temporales suelen depender de muestrear muchos ejemplos artificiales o de reemplazar entradas faltantes por valores base, lo que puede ser lento y generar escenarios poco realistas que distorsionan la explicación.

El nuevo camino corto de SHAPformer hacia respuestas claras

SHAPformer rediseña el propio modelo de pronóstico para que las explicaciones emerjan de forma natural, sin un muestreo intensivo. Agrupa entradas relacionadas, como todos los valores de un día o todas las observaciones de una variable meteorológica, y entrena al Transformer para que funcione incluso cuando algunos de estos grupos se ocultan deliberadamente. Usando una técnica llamada manipulación de atención, el modelo puede activar o desactivar limpiamente grupos de características al generar un pronóstico. Esto hace posible calcular contribuciones exactas al estilo SHAP evaluando directamente todas las combinaciones de estos grupos, en lugar de aproximarlas a partir de muestras aleatorias. El resultado es un modelo que puede explicar un único pronóstico en menos de un segundo, una aceleración de aproximadamente 50 a 1000 veces en comparación con un método SHAP basado en muestreo ampliamente usado.

Comprobando las explicaciones frente a una verdad conocida

Para evaluar si las explicaciones de SHAPformer son confiables, los autores primero construyeron un conjunto de datos sintético donde las reglas que generan los datos son totalmente conocidas. Luego usaron esas reglas para derivar una “verdad de referencia” sobre cuánto debería importar cada entrada y cómo debería afectar exactamente al pronóstico. Las explicaciones de SHAPformer coincidieron estrechamente con esta verdad de referencia, tanto en términos de importancia global como en patrones detallados, como cómo las fiestas reducen la demanda o cómo los fines de semana cambian las curvas diarias. Los métodos competidores o bien juzgaron erróneamente qué características eran más importantes o produjeron explicaciones más ruidosas e inconsistentes.

Lo que el modelo revela sobre datos energéticos reales

A continuación, SHAPformer se aplicó a datos reales de demanda eléctrica de un operador de sistema de transmisión alemán y a precios de electricidad del día siguiente en una zona de mercado europea. En el caso de carga, el modelo confirmó que la entrada más influyente es la carga de una semana antes, seguida por el día de la semana y la hora del día, con la temperatura, el mes y los festivos también desempeñando papeles claros pero menores. Capturó patrones intuitivos, como cargas más bajas los fines de semana, reducción de actividad en torno a Navidad y mayor demanda en días fríos. Para los precios de la electricidad, el modelo destacó precios pasados y patrones según la hora del día, pero también mostró cómo una mayor producción eólica y solar tiende a reducir los precios, en línea con las expectativas económicas.

Por qué importan estos hallazgos

SHAPformer demuestra que es posible construir modelos de pronóstico que sean a la vez potentes y claros en su razonamiento. En lugar de tratar las explicaciones como un añadido costoso, el método las integra en el diseño del Transformer para que cada predicción venga acompañada de un desglose rápido y fiel de los factores que la impulsaron. Para los responsables de la toma de decisiones en el sector energético y en otros sectores sensibles al tiempo, esto significa que pueden ver no solo lo que el modelo espera que ocurra, sino también por qué, lo que favorece un mejor juicio, mayor transparencia regulatoria y un uso más informado de las herramientas avanzadas de IA.

Cita: 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

Palabras clave: pronóstico de series temporales, IA explicable, modelos transformer, carga eléctrica, valores SHAP