Previsioni temporali interpretabili con SHAP senza campionamento per i Transformer

Perché le previsioni intelligenti devono essere comprese

Dalla pianificazione della rete elettrica alla definizione dei prezzi dell’elettricità per il giorno successivo, molte decisioni si basano su modelli informatici che prevedono come i valori cambiano nel tempo. Questi modelli sono diventati estremamente potenti, ma anche più difficili da comprendere, il che può rendere le persone diffidenti nel fidarsi di essi in ambiti critici come i sistemi energetici. Questo articolo presenta SHAPformer, un approccio di previsione che non solo produce predizioni accurate, ma mostra in modo chiaro quali pezzi di informazione passata hanno maggiormente influito su ogni previsione.

Come la previsione può diventare una scatola nera

La previsione moderna di serie temporali spesso utilizza il deep learning, in particolare i modelli Transformer originariamente progettati per la traduzione automatica. Possono gestire molti input, come la domanda elettrica passata, il meteo e le informazioni di calendario, e apprendere pattern complessi da enormi dataset. Tuttavia, il loro funzionamento interno è in gran parte nascosto, quindi gli utenti non possono vedere facilmente perché è stata fatta una determinata previsione. Questa mancanza di trasparenza è rilevante nella pratica, perché operatori di rete, autorità di regolamentazione e imprese richiedono sempre più spesso spiegazioni prima di affidarsi a uscite di modello che potrebbero influire su costi, sicurezza o conformità.

Un modo per dividere equamente il merito tra gli input

Una famiglia popolare di strumenti di spiegazione si basa sull’idea di ripartire equamente il merito tra gli input. In questa prospettiva, ogni variabile, come la domanda di ieri o la temperatura odierna, è trattata come un giocatore in un gioco cooperativo, e la previsione del modello è il risultato di quel gioco. I metodi basati su Shapley, raggruppati sotto il nome SHAP, stimano quanto ciascuna caratteristica contribuisce in media confrontando le predizioni con e senza quella caratteristica. Tuttavia, gli strumenti SHAP esistenti per le serie temporali solitamente si affidano al campionamento di molti esempi artificiali o alla sostituzione degli input mancanti con valori di base, entrambe pratiche che possono essere lente e creare scenari irrealistici che distorcono la spiegazione.

Il nuovo percorso breve di SHAPformer verso risposte chiare

SHAPformer riprogetta il modello di previsione in modo che le spiegazioni emergano naturalmente, senza pesanti campionamenti. Raggruppa input correlati, come tutti i valori di un giorno o tutte le osservazioni di una variabile meteorologica, e addestra il Transformer a funzionare anche quando alcuni di questi gruppi sono deliberatamente nascosti. Utilizzando una tecnica chiamata manipolazione dell’attenzione, il modello può attivare o disattivare pulitamente i gruppi di caratteristiche durante la generazione di una previsione. Ciò rende possibile calcolare contributi esatti in stile SHAP valutando direttamente tutte le combinazioni di questi gruppi, invece di approssimarle tramite campioni casuali. Il risultato è un modello in grado di spiegare una singola previsione in meno di un secondo, un’accelerazione di circa 50–1000 volte rispetto a un metodo SHAP basato sul campionamento ampiamente usato.

Verificare le spiegazioni rispetto a una verità nota

Per testare se le spiegazioni di SHAPformer sono attendibili, gli autori hanno prima costruito un dataset sintetico dove le regole che generano i dati sono completamente note. Hanno quindi utilizzato queste regole per ricavare una “verità di riferimento” su quanto ogni input dovrebbe contare e come dovrebbe influenzare esattamente la previsione. Le spiegazioni di SHAPformer hanno corrisposto da vicino a questa verità di riferimento, sia in termini di importanza complessiva sia nei pattern dettagliati, come il modo in cui le festività riducono la domanda o come i fine settimana modificano le curve giornaliere. I metodi concorrenti o hanno valutato male quali caratteristiche erano più importanti, o hanno prodotto spiegazioni più rumorose e incoerenti.

Cosa rivela il modello sui dati energetici reali

Successivamente, SHAPformer è stato applicato a dati reali sulla domanda elettrica provenienti da un operatore di trasmissione tedesco e ai prezzi dell’elettricità per il giorno successivo in una zona di mercato europea. Nel caso dei carichi, il modello ha confermato che l’input singolo più influente è il carico di una settimana prima, seguito dal giorno della settimana e dall’ora del giorno, con temperatura, mese e festività che giocano anch’essi ruoli chiari ma di minore entità. Ha catturato pattern intuitivi, come carichi più bassi nei fine settimana, attività ridotta intorno al Natale e domanda più alta nei giorni freddi. Per i prezzi dell’elettricità, il modello ha messo in evidenza i prezzi passati e i pattern legati all’ora del giorno, ma ha anche mostrato come una produzione eolica e solare più intensa tendano ad abbassare i prezzi, in linea con le aspettative economiche.

Perché queste intuizioni sono importanti

SHAPformer dimostra che è possibile costruire modelli di previsione che siano allo stesso tempo performanti e chiari nel loro ragionamento. Invece di trattare le spiegazioni come un’aggiunta costosa, il metodo le incorpora nella progettazione del Transformer in modo che ogni previsione sia accompagnata da una scomposizione rapida e fedele dei fattori che l’hanno determinata. Per i decisori nei settori energetici e in altri ambiti sensibili al tempo, questo significa poter vedere non solo cosa il modello si aspetta che accada, ma anche perché, supportando un giudizio migliore, la trasparenza regolatoria e un uso più informato degli strumenti avanzati di IA.

Citazione: 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

Parole chiave: previsione di serie temporali, IA interpretabile, modelli transformer, carico elettrico, valori SHAP