Explainable Load Forecasting with Covariate-Informed Time Series Foundation Models

📄 arXiv: 2604.28149v1 📥 PDF

作者: Matthias Hertel, Alexandra Nikoltchovska, Sebastian Pütz, Ralf Mikut, Benjamin Schäfer, Veit Hagenmeyer

分类: cs.LG

发布日期: 2026-04-30

DOI: 10.1145/3744255.3811724

💡 一句话要点

提出基于协变量感知的时序基础模型可解释负荷预测方法

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 时间序列预测 可解释性AI Shapley值 能源系统 负荷预测 时间序列基础模型 零样本学习

📋 核心要点

  1. 现有时间序列基础模型在能源系统应用中缺乏透明度，难以满足关键基础设施对可靠性的要求。
  2. 论文提出一种高效的SHAP算法，利用时间序列基础模型对输入上下文长度和协变量的灵活性，实现可解释性。
  3. 实验表明，该方法在日前负荷预测任务中，实现了与特定训练模型相当的性能，并提供了符合领域知识的解释。

📝 摘要（中文）

时序基础模型(TSFMs)最近作为通用预测模型出现，并在能源系统中显示出巨大的应用潜力。然而，在电力网等关键基础设施中的应用需要透明度，以确保信任和可靠性，不能依赖于纯粹的黑盒模型。为了提高TSFMs的透明度，我们提出了一种高效的算法，用于计算针对这些模型量身定制的Shapley加性解释(SHAP)。该方法利用TSFMs在输入上下文长度和提供的协变量方面的灵活性。这种特性使得能够进行高效的时间和协变量掩蔽(选择性地 withholding 输入)，从而可以使用SHAP对模型预测进行可扩展的解释。我们评估了两个TSFMs——Chronos-2和TabPFN-TS——在输电系统运营商(TSO)的日前负荷预测任务中。在零样本设置中，这两个模型都实现了与专门针对TSO多年数据训练的Transformer模型具有竞争力的预测性能。通过我们提出的方法获得的解释与已建立的领域知识相符，特别是TSFMs适当地使用天气和日历信息进行负荷预测。总的来说，我们证明了TSFMs可以作为透明和可靠的工具用于运营能源预测。

🔬 方法详解

问题定义：论文旨在解决时间序列基础模型（TSFMs）在电力负荷预测等关键基础设施应用中缺乏透明度的问题。现有方法通常依赖黑盒模型，难以解释预测结果，从而影响了模型的可信度和可靠性。因此，需要一种能够提供可解释性的TSFM方法，以便更好地理解和信任模型的预测。

核心思路：论文的核心思路是利用TSFMs对输入上下文长度和协变量的灵活性，设计一种高效的SHAP（Shapley Additive Explanations）算法。通过选择性地掩蔽（即 withholding）输入的时间序列数据和协变量信息，可以评估每个输入特征对预测结果的贡献，从而提供可解释性。

技术框架：该方法主要包含以下几个阶段：1) 选择合适的时间序列基础模型（如Chronos-2和TabPFN-TS）；2) 设计高效的SHAP计算方法，利用TSFMs的灵活性进行时间和协变量掩蔽；3) 使用掩蔽后的输入数据进行预测，并计算每个输入特征的SHAP值；4) 分析SHAP值，理解模型预测的关键因素。

关键创新：该方法最重要的技术创新在于针对TSFMs设计了一种高效的SHAP计算方法。与传统的SHAP计算方法相比，该方法利用TSFMs的灵活性，通过选择性掩蔽输入，减少了计算量，提高了效率。此外，该方法还能够同时解释时间和协变量对预测结果的影响，提供了更全面的可解释性。

关键设计：该方法的关键设计包括：1) 选择合适的掩蔽策略，例如，可以分别掩蔽不同的时间段或不同的协变量；2) 使用蒙特卡洛方法估计SHAP值，通过多次随机掩蔽和预测，得到更准确的SHAP值；3) 对SHAP值进行可视化，以便更好地理解模型预测的关键因素。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，在零样本设置下，Chronos-2和TabPFN-TS在输电系统运营商(TSO)的日前负荷预测任务中，实现了与专门针对TSO多年数据训练的Transformer模型具有竞争力的预测性能。此外，通过提出的SHAP算法获得的解释与已建立的领域知识相符，验证了该方法的可解释性。

🎯 应用场景

该研究成果可应用于电力系统、能源管理、智能制造等领域，提升关键基础设施预测模型的透明度和可靠性。通过提供可解释的预测结果，有助于决策者更好地理解模型行为，提高对模型的信任度，并做出更明智的决策。未来，该方法可进一步推广到其他时间序列预测任务中。

📄 摘要（原文）

Time Series Foundation Models (TSFMs) have recently emerged as general-purpose forecasting models and show considerable potential for applications in energy systems. However, applications in critical infrastructure like power grids require transparency to ensure trust and reliability and cannot rely on pure black-box models. To enhance the transparency of TSFMs, we propose an efficient algorithm for computing Shapley Additive Explanations (SHAP) tailored to these models. The proposed approach leverages the flexibility of TSFMs with respect to input context length and provided covariates. This property enables efficient temporal and covariate masking (selectively withholding inputs), allowing for a scalable explanation of model predictions using SHAP. We evaluate two TSFMs - Chronos-2 and TabPFN-TS - on a day-ahead load forecasting task for a transmission system operator (TSO). In a zero-shot setting, both models achieve predictive performance competitive with a Transformer model trained specifically on multiple years of TSO data. The explanations obtained through our proposed approach align with established domain knowledge, particularly as the TSFMs appropriately use weather and calendar information for load prediction. Overall, we demonstrate that TSFMs can serve as transparent and reliable tools for operational energy forecasting.