תחזיות סדרות זמן בהסבריות עם SHAP ללא דגימה עבור Transformers

מדוע תחזיות חכמות צריכות להיות מובנות

מתכנון רשת החשמל ועד לקביעת מחירי החשמל למחר, החלטות רבות נשענות על מודלים מחשוביים שמנבאים כיצד ערכים משתנים לאורך זמן. המודלים הללו הפכו לעוצמתיים מאוד, אך גם קשים יותר להבנה, מה שעלול להקשות על אמון בהם בתחום קריטי כמו מערכות אנרגיה. מאמר זה מציג את SHAPformer, גישה לחיזוי שלא רק מספקת תחזיות מדויקות אלא גם מציגה באופן ברור אילו חלקים של המידע העברי השפיעו על כל תחזית.

כיצד חיזוי עלול להפוך לקופסה שחורה

חיזוי סדרות זמן מודרני משתמש לעתים קרובות בלמידה עמוקה, בפרט במודלי Transformer שהוצגו במקור לתרגום שפות. הם יכולים לטפל בהרבה קלטים, כמו ביקוש חשמל בעבר, מזג אוויר ומידע לוח־שנתי, וללמוד דפוסים מורכבים ממאגרי נתונים רחבים. עם זאת, מנגנוניהם הפנימיים נשארים ברובם מוסתרים, ולכן המשתמשים אינם יכולים בקלות לראות מדוע ניתנה תחזית מסוימת. חוסר השקיפות הזה משמעותי בפועל, משום שמפעילי רשת, רגולטורים ועסקים דורשים יותר ויותר הסברים לפני שיתבססו על תוצאות מודלים שעשויות להשפיע על עלויות, בטיחות או עמידה בדרישות.

דרך לחלוקת קרדיט הוגנת בין הקלטים

אחת המשפחות הפופולריות של כלי הסבר מבוססת על הרעיון של חלוקת קרדיט הוגנת בין הקלטים. בגישה זו, כל תכונה, כגון הביקוש מאתמול או הטמפרטורה של היום, נחשבת לשחקן במשחק שיתופי, ותחזית המודל היא תוצאת המשחק הזה. שיטות מבוססות Shapley, הנכללות תחת השם SHAP, מעריכות עד כמה כל תכונה תורמת בממוצע על ידי השוואת תחזיות עם ובלי אותה תכונה. כלי SHAP קיימים לסדרות זמן, עם זאת, בדרך כלל מסתמכים על דגימה של דוגמאות מלאכותיות או על החלפת קלטים חסרים בערכי בסיס, שתי גישות שעלולות להיות איטיות וליצור תרחישים לא מציאותיים שמטשטשים את ההסבר.

המסלול הקצר של SHAPformer לתשובות ברורות

SHAPformer מעצב מחדש את מודל החיזוי כך שההסברים נוצרים באופן טבעי, ללא דגימה כבדה. הוא מקבץ קלטים קשורים, כגון כל הערכים של יום אחד או כל התצפיות של משתנה מזג־האוויר, ומאמן את ה-Transformer לעבוד גם כאשר חלק מהקבוצות מוסתרות במתכוון. בעזרת טכניקה בשם מניפולציית תשומת לב (attention manipulation), המודל יכול להדליק או לכבות קבוצות תכונות באופן נקי בזמן יצירת התחזית. כך ניתן לחשב תרומות מדויקות בסגנון SHAP על ידי הערכת כל שילובי הקבוצות ישירות, במקום להעריך אותן בקירוב מתוך דגימות אקראיות. התוצאה היא מודל שיכול להסביר תחזית בודדת בפחות משנייה, שיפור מהירות של כ־50 עד 1000 פעמים בהשוואה לשיטת SHAP נפוצה המבוססת על דגימה.

בדיקת ההסברים מול אמת ידועה

כדי לבחון האם הסברי SHAPformer אמינים, המחברים בנו תחילה מאגר נתונים סינתטי שבו החוקים המייצרים את הנתונים ידועים במלואם. לאחר מכן הם השתמשו בחוקים אלה כדי לגזור "אמת יסודית" לגבי כמה כל קלט אמור להשפיע וכיצד בדיוק עליו להשפיע על התחזית. ההסברים של SHAPformer התאימו בקירוב לאמת היסודית הזו, הן מבחינת חשיבות כללית והן בדפוסים מפורטים, כמו כיצד חגים מקטינים את הביקוש או כיצד סופי שבוע משנים את העקומות היומיות. שיטות מתחרות שגה או בקביעת אילו תכונות החשובות ביותר או הפיקו הסברים רעשים ולא קונסיסטנטיים יותר.

מה המודל מגלה על נתוני אנרגיה אמיתיים

בהמשך הוחל SHAPformer על נתוני ביקוש חשמל אמיתיים מרשות העברת חשמל גרמנית ועל מחירי חשמל ליום הבא באיזור שוק אירופי. במקרה העומס, המודל אישר שהתכונה המשפיעה ביותר היא העומס מאותה שעה בשבוע הקודם, ואחריה יום השבוע ושעת היום, כאשר טמפרטורה, חודש וחגים משחקים גם הם תפקיד ברור אך קטן יותר. הוא תפס דפוסים אינטואיטיביים, כגון עומסים נמוכים יותר בסופי שבוע, פעילות מופחתת סביב חג המולד וביקוש גבוה בימים קרים. עבור מחירי החשמל, המודל הדגיש מחירים עבריים ודפוסי שעת יום, אך גם הראה כיצד ייצור רוח ושמש חזק יותר נוטה לדחוף את המחירים למטה, בהתאם לציפיות כלכליות.

מדוע תובנות אלה חשובות

SHAPformer מראה שאפשר לבנות מודלי חיזוי שחזקים בביצועים ובה בעת ברורים בנימוקים שלהם. במקום להתייחס להסברים כתוספת יקרה, השיטה משלבת אותם בתכנון ה-Transformer כך שכל תחזית מלווה בפירוק מהיר ונאמן של הגורמים שהניעו אותה. עבור מקבלי החלטות בתחום האנרגיה ובמגזרים אחרים הרגישים לזמן, משמעות הדבר היא שהם יכולים לראות לא רק מה המודל צפוי שיקרה, אלא גם מדוע, ובכך לסייע לשיפוט טוב יותר, לשקיפות רגולטורית ולשימוש מושכל יותר בכלי AI מתקדמים.

ציטוט: 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

מילות מפתח: חיזוי סדרות זמן, בינה ממוחשבת להסבר, מודלי Transformer, עומס חשמל, ערכי SHAP