Förklarbar tidsserieprognostisering med provtagningsfri SHAP för Transformers

Varför intelligenta prognoser behöver förstås

Från planering av elnätet till att sätta morgondagens elpriser förlitar sig många beslut på datorbaserade modeller som förutspår hur storheter förändras över tiden. Dessa modeller har blivit extremt kraftfulla, men också svårare att förstå, vilket kan göra människor tveksamma till att lita på dem i kritiska områden som energisystem. Denna artikel presenterar SHAPformer, en prognosmetod som inte bara ger korrekta förutsägelser utan också tydligt visar vilken tidigare information som mest påverkade varje prognos.

Hur prognoser kan bli en svart låda

Moderna tidsserieprognoser använder ofta djupinlärning, särskilt Transformer-modeller som ursprungligen byggdes för språköversättning. De kan hantera många indata, såsom tidigare elförbrukning, väder och kalenderinformation, och lära sig komplexa mönster från stora datamängder. Ändå är deras inre arbetssätt till stora delar dolt, så användare kan inte enkelt se varför en viss prognos gjordes. Denna brist på transparens är praktiskt viktig, eftersom nätoperatörer, tillsynsmyndigheter och företag i allt större utsträckning kräver förklaringar innan de litar på modellutdata som kan påverka kostnader, säkerhet eller efterlevnad.

Ett sätt att dela kredit rättvist mellan indatat

En populär familj av förklaringsverktyg bygger på idén att rättvist dela ut kredit mellan indatat. I detta synsätt behandlas varje funktion, såsom gårdagens efterfrågan eller dagens temperatur, som en spelare i ett kooperativt spel, och modellens prognos är spelens utfall. Shapley-baserade metoder, samlade under namnet SHAP, uppskattar hur mycket varje funktion bidrar i genomsnitt genom att jämföra prognoser med och utan den funktionen. Befintliga SHAP-verktyg för tidsserier bygger dock vanligtvis på att skapa många artificiella exempel genom sampling eller ersätta saknade indata med baslinjevärden, vilket både kan vara långsamt och skapa orealistiska scenarier som förvränger förklaringen.

SHAPformers nya korta väg till klara svar

SHAPformer omformar prognosmodellen så att förklaringar uppstår naturligt, utan tung sampling. Den grupperar relaterade indatat, såsom alla värden från en dag eller alla observationer av en vädervariabel, och tränar Transformern att fungera även när några av dessa grupper avsiktligt döljts. Genom en teknik kallad attention-manipulation kan modellen tydligt slå av eller på funktionsgrupper vid generering av en prognos. Detta gör det möjligt att beräkna exakta SHAP-liknande bidrag genom att utvärdera alla kombinationer av dessa grupper direkt, istället för att approximera dem från slumpmässiga prover. Resultatet är en modell som kan förklara en enskild prognos på under en sekund, en hastighetsökning på ungefär 50 till 1000 gånger jämfört med en mycket använd samplingbaserad SHAP-metod.

Kontrollera förklaringar mot en känd sanning

För att testa om SHAPformers förklaringar är tillförlitliga byggde författarna först en syntetisk dataset där reglerna som genererar datan är helt kända. De använde sedan dessa regler för att härleda en "jordad sanning" för hur mycket varje indata borde spela roll och exakt hur den borde påverka prognosen. SHAPformers förklaringar stämde väl överens med denna sanning, både vad gäller övergripande betydelse och i detaljerade mönster, såsom hur helgdagar minskar efterfrågan eller hur helger förändrar dagliga kurvor. Konkurrerande metoder antingen felbedömde vilka funktioner som var viktigast eller gav mer brusiga och inkonsekventa förklaringar.

Vad modellen avslöjar om verkliga energidata

Därefter tillämpades SHAPformer på verkliga data om elförbrukning från en tysk transmissionsnätoperatör och på dags-ahead elpriser i en europeisk marknadszon. I lastfallet bekräftade modellen att det enskilt mest inflytelserika indatat är lasten från en vecka tidigare, följt av veckodag och timme på dygnet, med temperatur, månad och helgdagar som också spelar tydliga men mindre roller. Den fångade intuitiva mönster, såsom lägre laster på helger, minskad aktivitet kring jul och högre efterfrågan på kalla dagar. För elpriser lyfte modellen fram tidigare priser och tid-på-dygnet-mönster, men visade också hur högre vind- och solproduktion tenderar att pressa ned priserna, i linje med ekonomiska förväntningar.

Varför dessa insikter spelar roll

SHAPformer visar att det är möjligt att bygga prognosmodeller som både presterar väl och är tydliga i sitt resonemang. Istället för att betrakta förklaringar som ett dyrbart tillägg, integrerar metoden dem i Transformerns design så att varje prognos levereras med en snabb, trogen fördelning av vilka faktorer som drev den. För beslutsfattare inom energi och andra tidskritiska sektorer innebär detta att de inte bara kan se vad modellen förväntar sig hända, utan också varför — vilket stöder bättre omdömen, regulatorisk transparens och mer informerat bruk av avancerade AI-verktyg.

Citering: 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

Nyckelord: tidsserieprognoser, förklarbar AI, transformermodeller, elförbrukning, SHAP-värden