Tłumaczalne prognozowanie szeregów czasowych z bezpróbkowym SHAP dla Transformerów

Dlaczego inteligentne prognozy trzeba rozumieć

Od planowania sieci energetycznej po ustalanie cen energii na jutro — wiele decyzji opiera się na modelach komputerowych prognozujących zmiany wartości w czasie. Modele te stały się niezwykle wydajne, ale też trudniejsze do zrozumienia, co może powodować nieufność w krytycznych obszarach, takich jak systemy energetyczne. W artykule zaprezentowano SHAPformer — podejście prognostyczne, które nie tylko daje dokładne przewidywania, lecz także jasno pokazuje, które fragmenty przeszłych danych w największym stopniu wpłynęły na każdą prognozę.

Jak prognozowanie może stać się czarną skrzynką

Współczesne prognozowanie szeregów czasowych często korzysta z uczenia głębokiego, szczególnie z Transformerów początkowo zaprojektowanych do tłumaczeń językowych. Potrafią one przetwarzać wiele wejść, takich jak przeszłe zapotrzebowanie na prąd, pogoda czy informacje kalendarzowe, i wydobywać z dużych zbiorów danych złożone wzorce. Ich wewnętrzne działanie pozostaje jednak w dużej mierze ukryte, więc użytkownicy nie mogą łatwo sprawdzić, dlaczego podano konkretną prognozę. Brak przejrzystości ma praktyczne znaczenie — operatorzy sieci, regulatorzy i firmy coraz częściej żądają wyjaśnień, zanim zauważą wyniki modelu, które mogą wpływać na koszty, bezpieczeństwo lub zgodność z przepisami.

Sposób na sprawiedliwy podział udziału między wejściami

Jedna z popularnych rodzin narzędzi wyjaśniających opiera się na pomyśle uczciwego rozdzielenia zasług między wejścia. W tym ujęciu każda cecha, na przykład wczorajsze zapotrzebowanie czy dzisiejsza temperatura, traktowana jest jak gracz w grze kooperacyjnej, a przewidywanie modelu jest wynikiem tej gry. Metody oparte na wartościach Shapleya, znane pod nazwą SHAP, szacują średni wkład każdej cechy, porównując prognozy z daną cechą i bez niej. Istniejące narzędzia SHAP dla szeregów czasowych zwykle jednak polegają na próbkowaniu wielu sztucznych przykładów lub zastępowaniu brakujących wejść wartościami bazowymi; obie strategie mogą być wolne i tworzyć nierealistyczne scenariusze zniekształcające wyjaśnienie.

Nowa, krótka droga SHAPformera do jasnych odpowiedzi

SHAPformer przeprojektowuje sam model prognostyczny tak, by wyjaśnienia wypływały naturalnie, bez ciężkiego próbkowania. Grupuje powiązane wejścia, na przykład wszystkie wartości z jednego dnia lub wszystkie obserwacje danej zmiennej pogodowej, i trenuje Transformera tak, by działał także wtedy, gdy niektóre z tych grup są celowo ukrywane. Dzięki technice manipulacji uwagą (attention manipulation) model może czysto przełączać grupy cech włączone lub wyłączone podczas generowania prognozy. Pozwala to obliczać dokładne wkłady w stylu SHAP przez ewaluację wszystkich kombinacji tych grup bezpośrednio, zamiast przybliżać je na podstawie losowych próbek. Efekt to model, który potrafi wyjaśnić pojedynczą prognozę w mniej niż sekundę — przyspieszenie rządów 50 do 1000 razy w porównaniu z popularną, opartą na próbkowaniu metodą SHAP.

Sprawdzanie wyjaśnień względem znanej prawdy

Aby przetestować, czy wyjaśnienia SHAPformera są wiarygodne, autorzy najpierw stworzyli syntetyczny zbiór danych, w którym reguły generujące dane były w pełni znane. Następnie wykorzystali te reguły do wyprowadzenia „prawdy podstawowej” dotyczącej tego, jak bardzo każde wejście powinno się liczyć i jak dokładnie powinno wpływać na prognozę. Wyjaśnienia SHAPformera ściśle odpowiadały tej prawdzie zarówno pod względem ogólnej ważności, jak i w szczegółowych wzorcach — na przykład tego, jak święta zmniejszają zapotrzebowanie lub jak weekendy zmieniają krzywe dobowe. Metody konkurencyjne albo błędnie oceniały, które cechy są najważniejsze, albo generowały bardziej zaszumione i niespójne wyjaśnienia.

Co model ujawnia o rzeczywistych danych energetycznych

Następnie SHAPformer zastosowano do rzeczywistych danych o zapotrzebowaniu na energię elektryczną od niemieckiego operatora systemu przesyłowego oraz do cen energii na dobę następnego dnia w jednej ze stref rynku europejskiego. W przypadku obciążenia model potwierdził, że najważniejszym pojedynczym wejściem jest obciążenie sprzed tygodnia, następnie dzień tygodnia i godzina, a także temperatura, miesiąc i święta, które odgrywają wyraźne, choć mniejsze role. Model uchwycił intuicyjne wzorce, takie jak niższe obciążenia w weekendy, zmniejszona aktywność wokół Bożego Narodzenia i wyższe zapotrzebowanie w chłodne dni. Dla cen energii model uwydatnił przeszłe ceny i wzorce dobowe, ale także pokazał, że silniejsza produkcja wiatru i słońca ma tendencję do obniżania cen — zgodnie z oczekiwaniami ekonomicznymi.

Dlaczego te wnioski mają znaczenie

SHAPformer pokazuje, że można budować modele prognostyczne będące jednocześnie silne i klarowne w swoich uzasadnieniach. Zamiast traktować wyjaśnienia jako kosztowny dodatek, metoda włącza je w projekt Transformera tak, by każda prognoza miała szybkie i rzetelne rozbicie czynników, które ją determinowały. Dla decydentów w energetyce i innych sektorach zależnych od czasu oznacza to, że mogą zobaczyć nie tylko co model przewiduje, lecz także dlaczego — co wspiera lepszy osąd, przejrzystość regulacyjną i bardziej świadome korzystanie z zaawansowanych narzędzi AI.

Cytowanie: 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

Słowa kluczowe: prognozowanie szeregów czasowych, tłumaczalna AI, modele transformer, obciążenie elektryczne, wartości SHAP