Verklaarbare tijdreeksvoorspelling met sampling-vrije SHAP voor Transformers

Waarom slimme voorspellingen begrijpelijk moeten zijn

Van het plannen van het elektriciteitsnet tot het vaststellen van de tarieven voor morgen: veel beslissingen berusten op computermodellen die voorspellen hoe waarden in de tijd veranderen. Deze modellen zijn extreem krachtig geworden, maar ook lastiger te doorgronden, wat mensen terughoudend kan maken om ze te vertrouwen in kritieke domeinen zoals energiesystemen. Dit artikel introduceert SHAPformer, een voorspellingsaanpak die niet alleen nauwkeurige voorspellingen maakt, maar ook duidelijk aangeeft welke gedeelten van de historische informatie elke voorspelling het meest hebben beïnvloed.

Hoe voorspellen een black box kan worden

Moderne tijdreeksvoorspelling gebruikt vaak deep learning, met name Transformer-modellen die oorspronkelijk voor taalvertaling zijn ontwikkeld. Ze kunnen veel invoer verwerken, zoals vroegere elektriciteitsvraag, weer- en kalendergegevens, en leren complexe patronen uit enorme datasets. Toch blijven hun interne werking grotendeels verborgen, zodat gebruikers niet gemakkelijk kunnen zien waarom een bepaalde voorspelling is gedaan. Dit gebrek aan transparantie doet er in de praktijk toe, omdat netbeheerders, toezichthouders en bedrijven steeds vaker om verklaringen vragen voordat ze vertrouwen op modeluitkomsten die kosten, veiligheid of naleving kunnen beïnvloeden.

Een manier om eerlijke waardering onder invoer te verdelen

Een populaire familie van verklaringstools is gebaseerd op het idee van eerlijke verdeling van de verdiensten over invoervariabelen. In dit perspectief wordt elke kenmerk, zoals de vraag van gisteren of de temperatuur van vandaag, behandeld als een speler in een coöperatief spel, en is de voorspelling het resultaat van dat spel. Shapley-gebaseerde methoden, gebundeld onder de naam SHAP, schatten hoeveel elke feature gemiddeld bijdraagt door voorspellingen met en zonder die feature te vergelijken. Bestaande SHAP-tools voor tijdreeksen vertrouwen echter meestal op het bemonsteren van veel kunstmatige voorbeelden of op het vervangen van ontbrekende invoer door basiswaarden, wat traag kan zijn en onrealistische scenario’s kan creëren die de verklaring vertekenen.

SHAPformers korte weg naar duidelijke antwoorden

SHAPformer herontwerpt het voorspellingsmodel zelf zodat verklaringen vanzelf volgen, zonder intensief bemonsteren. Het groepeert gerelateerde invoer, zoals alle waarden van één dag of alle waarnemingen van een weersvariabele, en traint de Transformer zodat hij ook werkt wanneer sommige van deze groepen opzettelijk verborgen zijn. Met een techniek die attention-manipulatie heet, kan het model featuregroepen helder aan- of uitzetten bij het genereren van een voorspelling. Dit maakt het mogelijk exacte SHAP-achtige bijdragen te berekenen door direct alle combinaties van deze groepen te evalueren, in plaats van ze te benaderen via willekeurige monsters. Het resultaat is een model dat een enkele voorspelling in minder dan een seconde kan verklaren, een versnelling van ongeveer 50 tot 1000 keer vergeleken met een veelgebruikte op bemonstering gebaseerde SHAP-methode.

Toetsen van verklaringen aan een bekende waarheid

Om te testen of de verklaringen van SHAPformer betrouwbaar zijn, bouwden de auteurs eerst een synthetische dataset waarin de regels die de data genereren volledig bekend zijn. Ze gebruikten deze regels om een "grondwaarheid" af te leiden voor hoeveel elke invoer zou moeten betekenen en hoe deze precies de voorspelling beïnvloedt. De verklaringen van SHAPformer kwamen nauw overeen met deze grondwaarheid, zowel wat betreft de algemene belangrijkheid als in gedetailleerde patronen, zoals hoe feestdagen de vraag doen krimpen of hoe weekends de dagcurve veranderen. Concurrerende methoden schatten ofwel verkeerd welke features het belangrijkst waren, of leverden meer ruisende en inconsistente verklaringen.

Wat het model onthult over echte energiedata

Vervolgens werd SHAPformer toegepast op real-world data over elektriciteitsvraag van een Duitse netbeheerder en op day-ahead elektriciteitsprijzen in een Europese marktzone. In het case van de vraag bevestigde het model dat de meest invloedrijke invoer de vraag van een week eerder is, gevolgd door dag van de week en uur van de dag, waarbij temperatuur, maand en feestdagen ook duidelijke maar kleinere rollen spelen. Het ving intuïtieve patronen op, zoals lagere belastingen in het weekend, verminderde activiteit rond kerst en hogere vraag op koude dagen. Voor elektriciteitsprijzen benadrukte het model eerdere prijzen en tijd-van-de-dagpatronen, maar liet ook zien hoe sterkere wind- en zonneproductie de prijzen naar beneden drukt, in overeenstemming met economische verwachtingen.

Waarom deze inzichten ertoe doen

SHAPformer laat zien dat het mogelijk is voorspellingsmodellen te bouwen die zowel sterke prestaties leveren als helder zijn over hun redenering. In plaats van verklaringen te behandelen als een dure extra laag, integreert de methode ze in het ontwerp van de Transformer zodat elke voorspelling gepaard gaat met een snelle, getrouwe uitsplitsing van welke factoren eraan hebben bijgedragen. Voor beslissers in de energie- en andere tijdkritische sectoren betekent dit dat ze niet alleen kunnen zien wat het model verwacht, maar ook waarom, wat betere oordeelsvorming, meer transparantie richting toezichthouders en een geïnformeerder gebruik van geavanceerde AI-instrumenten ondersteunt.

Bronvermelding: 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

Trefwoorden: tijdreeksvoorspelling, verklaarbare AI, transformermodels, elektriciteitsvraag, SHAP-waarden