Previsão de séries temporais interpretável com SHAP sem amostragem para Transformers

Por que previsões inteligentes precisam ser compreendidas

Do planejamento da rede elétrica à definição dos preços de eletricidade para o dia seguinte, muitas decisões dependem de modelos computacionais que prevêem como números mudam ao longo do tempo. Esses modelos tornaram-se extremamente poderosos, mas também mais difíceis de entender, o que pode tornar as pessoas reticentes em confiá‑los em áreas críticas, como sistemas de energia. Este artigo apresenta o SHAPformer, uma abordagem de previsão que não só faz previsões precisas, mas também mostra claramente quais pedaços de informação passada mais influenciaram cada previsão.

Como a previsão pode virar uma caixa-preta

A previsão moderna de séries temporais frequentemente usa aprendizado profundo, especialmente modelos Transformer originalmente criados para tradução de idiomas. Eles conseguem lidar com muitas entradas, como demanda elétrica passada, clima e informações de calendário, e aprender padrões complexos a partir de conjuntos de dados vastos. Ainda assim, seu funcionamento interno é em grande parte oculto, de modo que os usuários não conseguem ver facilmente por que uma previsão específica foi feita. Essa falta de transparência importa na prática, porque operadores de rede, reguladores e empresas demandam cada vez mais explicações antes de confiar em saídas de modelos que podem afetar custos, segurança ou conformidade.

Uma forma de repartir o crédito de maneira justa entre entradas

Uma família popular de ferramentas de explicação baseia‑se na ideia de repartir o crédito de forma justa entre as entradas. Nessa visão, cada característica, como a demanda de ontem ou a temperatura de hoje, é tratada como um jogador em um jogo cooperativo, e a previsão do modelo é o resultado desse jogo. Métodos baseados em Shapley, agrupados sob o nome SHAP, estimam quanto cada característica contribui em média comparando previsões com e sem essa característica. As ferramentas SHAP existentes para séries temporais, porém, costumam depender da amostragem de muitos exemplos artificiais ou de substituir entradas ausentes por valores de referência, ambos procedimentos que podem ser lentos e criar cenários irreais que distorcem a explicação.

O novo caminho curto do SHAPformer para respostas claras

O SHAPformer redesenha o próprio modelo de previsão para que as explicações emergam naturalmente, sem amostragem pesada. Ele agrupa entradas relacionadas, como todos os valores de um dia ou todas as observações de uma variável meteorológica, e treina o Transformer para operar mesmo quando alguns desses grupos são deliberadamente ocultados. Usando uma técnica chamada manipulação de atenção, o modelo pode ligar ou desligar grupos de características de forma limpa ao gerar uma previsão. Isso torna possível calcular contribuições exatas no estilo SHAP avaliando diretamente todas as combinações desses grupos, em vez de aproximá‑las a partir de amostras aleatórias. O resultado é um modelo que pode explicar uma única previsão em menos de um segundo, um ganho de velocidade de aproximadamente 50 a 1000 vezes em comparação com um método SHAP baseado em amostragem amplamente usado.

Checando explicações contra uma verdade conhecida

Para testar se as explicações do SHAPformer são confiáveis, os autores primeiro construíram um conjunto de dados sintético onde as regras que geram os dados são totalmente conhecidas. Eles então usaram essas regras para derivar uma “verdade de referência” sobre quanto cada entrada deveria importar e como exatamente deveria afetar a previsão. As explicações do SHAPformer corresponderam de perto a essa verdade de referência, tanto em termos de importância geral quanto em padrões detalhados, como a forma como feriados reduzem a demanda ou como fins de semana alteram as curvas diárias. Métodos concorrentes ou avaliaram mal quais características eram mais importantes, ou produziram explicações mais ruidosas e inconsistentes.

O que o modelo revela sobre dados reais de energia

Em seguida, o SHAPformer foi aplicado a dados reais de demanda elétrica de um operador de sistema de transmissão alemão e a preços de eletricidade para o dia seguinte em uma zona de mercado europeia. No caso da carga, o modelo confirmou que a entrada individual mais influente é a carga de uma semana antes, seguida pelo dia da semana e pela hora do dia, com temperatura, mês e feriados também tendo papéis claros, porém menores. Capturou padrões intuitivos, como cargas menores em fins de semana, redução de atividade ao redor do Natal e maior demanda em dias frios. Para preços de eletricidade, o modelo destacou preços passados e padrões por hora do dia, mas também mostrou como maior produção eólica e solar tendem a empurrar os preços para baixo, em consonância com expectativas econômicas.

Por que esses insights importam

O SHAPformer demonstra que é possível construir modelos de previsão que sejam ao mesmo tempo de alto desempenho e transparentes quanto ao seu raciocínio. Em vez de tratar explicações como um acréscimo caro, o método as incorpora no projeto do Transformer para que cada previsão venha com uma decomposição rápida e fiel dos fatores que a impulsionaram. Para tomadores de decisão em energia e outros setores sensíveis ao tempo, isso significa que eles podem ver não apenas o que o modelo espera que aconteça, mas também por quê, apoiando um juízo melhor, transparência regulatória e um uso mais informado de ferramentas avançadas de IA.

Citação: 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

Palavras-chave: previsão de séries temporais, IA explicável, modelos transformer, carga elétrica, valores SHAP