Transformerlar için örneklemesiz SHAP ile açıklanabilir zaman serisi tahmini

Neden akıllı tahminlerin anlaşılması gerekiyor

Enerji şebekesini planlamaktan yarının elektrik fiyatlarını belirlemeye kadar, pek çok karar zaman içinde sayıların nasıl değişeceğini tahmin eden bilgisayar modellerine dayanıyor. Bu modeller son derece güçlü hâle geldi, fakat aynı zamanda anlaşılması zorlaştı; bu da enerji sistemleri gibi kritik alanlarda güvenilirlik konusunda tereddütlere yol açabiliyor. Bu makale, sadece doğru tahminler yapmakla kalmayan, aynı zamanda hangi geçmiş bilgilerin her tahmini en çok etkilediğini net şekilde gösteren SHAPformer adlı bir tahmin yaklaşımını tanıtıyor.

Tahminin kara kutuya dönüşmesi

Modern zaman serisi tahmini genellikle derin öğrenme, özellikle de başlangıçta dil çevirisi için geliştirilmiş Transformer modelleri kullanır. Bu modeller geçmiş elektrik talebi, hava ve takvim bilgileri gibi çok sayıda girdiyi işleyebilir ve geniş veri setlerinden karmaşık kalıpları öğrenebilir. Ancak iç işleyişleri büyük ölçüde gizlidir, bu yüzden kullanıcılar belirli bir tahminin neden yapıldığını kolayca göremez. Bu şeffaflık eksikliği pratikte önemlidir; zira şebeke operatörleri, düzenleyiciler ve şirketler maliyetleri, güvenliği veya uyumu etkileyebilecek model çıktılarından önce açıklama talep etmeye giderek daha fazla eğilim gösteriyor.

Girdiler arasında hakkaniyetli paylaştırma yolu

Açıklama araçlarının popüler bir ailesi, girdiler arasında hakkaniyetli bir pay dağıtma fikrine dayanır. Bu bakışta, dünün talebi veya bugünün sıcaklığı gibi her özellik, ortak bir oyunda bir oyuncu gibi ele alınır ve modelin tahmini o oyunun sonucudur. SHAP adı altında toplanan Shapley tabanlı yöntemler, o özelliğin ortalama katkısını, özelliğin bulunduğu ve bulunmadığı durumları karşılaştırarak tahmin eder. Ancak mevcut zaman serisi SHAP araçları genellikle birçok yapay örnek örneklemesine veya eksik girdileri temel değerlerle değiştirmeye dayanır; bunların her ikisi de yavaş olabilir ve açıklamayı çarpıtabilecek gerçekçi olmayan senaryolar yaratabilir.

SHAPformer’ın kısa ve net çözümü

SHAPformer, açıklamaların yoğun örneklemeye ihtiyaç duymadan doğal olarak elde edilmesi için tahmin modelini yeniden tasarlar. Bir günün tüm değerleri veya bir hava değişkeninin tüm gözlemleri gibi ilgili girdileri gruplayıp Transformer’ı bu gruplardan bazıları kasıtlı olarak gizlenmiş olsa bile çalışacak şekilde eğitir. Dikkat (attention) manipülasyonu adı verilen bir teknikle model, tahmin üretirken özellik gruplarını temiz biçimde açıp kapatabilir. Bu, bu grupların tüm kombinasyonlarını rastgele örneklerden yaklaşık olarak tahmin etmek yerine doğrudan değerlendirerek SHAP-tarzı katkıların tam olarak hesaplanmasını mümkün kılar. Sonuç, tek bir tahmini bir saniyeden kısa sürede açıklayabilen bir modeldir; bu, yaygın kullanılan örneklemeye dayalı bir SHAP yöntemine kıyasla yaklaşık 50 ila 1000 kat hız kazandırır.

Açıklamaları bilinen bir gerçekle karşılaştırmak

SHAPformer’ın açıklamalarının güvenilir olup olmadığını test etmek için yazarlar önce veriyi üreten kuralların tamamen bilindiği sentetik bir veri seti oluşturdu. Ardından bu kuralları kullanarak her girdinin ne kadar önemli olması gerektiği ve tahmini nasıl etkilemesi gerektiğine dair bir “gerçek” çıkarsadılar. SHAPformer’ın açıklamaları, hem genel önem hem de tatillerin talebi nasıl azalttığı veya hafta sonlarının günlük eğrileri nasıl değiştirdiği gibi ayrıntılı desenler bakımından bu gerçek ile yakından eşleşti. Rakip yöntemler ya hangi özelliklerin en önemli olduğunu yanlış değerlendirdi ya da daha gürültülü ve tutarsız açıklamalar üretti.

Modelin gerçek enerji verileri hakkında ortaya koydukları

Daha sonra SHAPformer, bir Alman iletim sistemi operatöründen alınan elektrik talebi verilerine ve Avrupa bir pazar bölgesindeki gün öncesi elektrik fiyatlarına uygulandı. Yük vakasında model, en etkili tek girdinin bir hafta önceki yük olduğunu, bunu haftanın günü ve günün saati izlediğini doğruladı; sıcaklık, ay ve tatiller de açık ancak daha küçük rollere sahipti. Model, hafta sonları daha düşük yükler, Noel civarında azalan aktivite ve soğuk günlerde artan talep gibi sezgisel desenleri yakaladı. Elektrik fiyatlarında ise model geçmiş fiyatları ve günün saati desenlerini ön plana çıkardı; ayrıca daha güçlü rüzgar ve güneş üretiminin fiyatları düşürme eğiliminde olduğunu gösterdi ki bu da ekonomik beklentilerle uyumlu.

Bu içgörüler neden önemli

SHAPformer, hem güçlü performans gösteren hem de gerekçelerini netçe ortaya koyan tahmin modelleri oluşturmanın mümkün olduğunu gösteriyor. Açıklamaları pahalı bir eklenti olarak ele almak yerine yöntem, Transformer tasarımına bunları yerleştiriyor; böylece her tahmin, hangi faktörlerin onu yönlendirdiğinin hızlı ve sadık bir dökümünü beraberinde getiriyor. Enerji ve zaman açısından hassas diğer sektörlerdeki karar vericiler için bu, modelin ne beklediğini görmekle kalmayıp nedenini de görmeyi sağlayarak daha iyi muhakeme, düzenleyici şeffaflık ve gelişmiş yapay zeka araçlarının daha bilinçli kullanımını destekliyor.

Atıf: 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

Anahtar kelimeler: zaman serisi tahmini, açıklanabilir yapay zeka, transformer modelleri, elektrik yükü, SHAP değerleri