トランスフォーマーのサンプリング不要SHAPによる説明可能な時系列予測

なぜスマートな予測は理解される必要があるのか

送電網の計画から翌日の電力価格設定まで、多くの意思決定は数値の時間変動を予測するコンピュータモデルに依存しています。これらのモデルは非常に高性能になった一方で理解が難しくなっており、エネルギーシステムのような重要領域で信頼することに慎重にならざるを得ません。本論文はSHAPformerを提示します。これは高精度の予測を行うだけでなく、どの過去情報が各予測に最も影響を与えたかを明確に示す手法です。

予測がブラックボックス化する仕組み

現代の時系列予測はしばしば深層学習を用い、特にもともと翻訳向けに開発されたトランスフォーマーが使われます。これらは過去の電力需要、天候、カレンダー情報など多数の入力を扱い、大規模データから複雑なパターンを学習できます。しかし内部の動作はほとんど見えないため、なぜ特定の予測が出たのかを利用者が簡単に把握できません。この透明性の欠如は実務上重要です。送配電事業者、規制当局、企業はコストや安全性、コンプライアンスに影響を与え得るモデル出力に依拠する前に説明を求めることが増えています。

入力間で公正に貢献度を分配する方法

説明ツールの一つの有力な系列は、入力間で貢献を公平に分配するという考えに基づいています。この見方では、昨日の需要や今日の気温といった各特徴量を協力ゲームのプレイヤーとして扱い、モデルの予測をゲームの結果とみなします。Shapleyに基づく手法（総称してSHAP）は、特徴を含めた場合と除いた場合の予測を比較して、平均的にどれだけ寄与するかを推定します。しかし既存の時系列向けSHAPツールは、多くの場合、人工的な事例をサンプリングしたり欠損入力を基準値で置き換えたりすることに依存しており、これらは遅くなるか、現実的でないシナリオを作り出して説明を歪めることがあります。

SHAPformerの短く明快な道筋

SHAPformerは説明が重いサンプリングを必要とせずに自然に得られるよう、予測モデル自体を再設計します。1日のすべての値やある天候変数の全観測値のように関連する入力をグループ化し、これらのグループの一部が意図的に隠されていても動作するようにトランスフォーマーを訓練します。注意機構の操作と呼ばれる手法により、モデルは予測を生成する際に特徴グループをオン／オフに切り替えることが可能になります。これにより、グループの全組み合わせを直接評価することで正確なSHAP風の寄与を計算でき、ランダムサンプリングから近似する必要がなくなります。その結果、単一の予測に対する説明を1秒未満で出すことが可能になり、広く使われるサンプリングベースのSHAP法と比べて約50〜1000倍の高速化が得られます。

既知の真値と説明を照らし合わせる

SHAPformerの説明が信頼できるかを検証するために、著者らはまずデータ生成の規則が完全に知られている合成データセットを構築しました。次にこれらの規則から、各入力がどれだけ重要であるべきか、予測にどのように影響するかという「真値」を導きました。SHAPformerの説明は、この真値と総合的な重要度や休日が需要を縮小する影響、週末が日次曲線を変えるような詳細なパターンの両面でよく一致しました。競合手法は、どの特徴が最も重要かを誤判断したり、よりノイズの多い一貫性のない説明を出したりしました。

実際のエネルギーデータから明らかになったこと

次にSHAPformerは、ドイツの送電事業者の電力需要データと、ある欧州市場ゾーンの翌日物電力価格に適用されました。負荷の事例では、最も影響が大きい入力は1週前の負荷であり、次いで曜日と時間帯が続くことがモデルにより確認され、気温、月、祝日も明確だがより小さな役割を果たしていることが示されました。週末の負荷低下、クリスマス前後の活動減少、寒い日の需要増といった直感的なパターンも捉えられました。電力価格では過去の価格や時刻パターンが重要であることに加え、風力や太陽光の発電増加が価格を押し下げる傾向があり、経済的な期待と一致することも示されました。

これらの洞察が重要な理由

SHAPformerは、高性能であると同時にその推論過程を明快に示せる予測モデルの構築が可能であることを実証しました。説明を高価な付加機能として扱うのではなく、トランスフォーマーの設計に組み込むことで、各予測に対してどの要因が寄与したかの高速で忠実な内訳を付随させることができます。エネルギーやその他の時間に敏感な分野の意思決定者にとって、モデルが何を予測するかだけでなく、なぜそう予測するのかを知ることは、より適切な判断、規制の透明性、先進的なAIツールのより情報に基づく活用を支援します。

引用: 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

キーワード: 時系列予測, 説明可能なAI, トランスフォーマーモデル, 電力負荷, SHAP値