基于协变量信息的时间序列基础模型在可解释负荷预测中的应用
机器学习
2026-05-01 v1
摘要
时间序列基础模型（TSFMs）近期已成为通用预测模型，并在能源系统应用中展现出巨大潜力。然而，在电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，不能依赖纯粹的黑箱模型。为增强 TSFMs 的透明度，我们提出了一种针对这些模型的高效 Shapley 加性解释（SHAP）计算算法。该方法利用了 TSFMs 在输入上下文长度和提供的协变量方面的灵活性。这一特性使得高效的时间和协变量掩码（选择性屏蔽输入）成为可能，从而能够使用 SHAP 对模型预测进行可扩展的解释。我们针对一个输电系统运营商（TSO）的日前负荷预测任务，评估了两种 TSFMs——Chronos-2 和 TabPFN-TS。在零样本设定下，两个模型均取得了与专门针对多年 TSO 数据训练的 Transformer 模型相媲美的预测性能。通过我们提出的方法获得的解释与既定的领域知识一致，特别是 TSFMs 恰当地利用天气和日历信息进行负荷预测。总体而言，我们证明了 TSFMs 可以作为透明且可靠的工具，用于运营性能源预测。
引用
@article{arxiv.2604.28149,
title = {Explainable Load Forecasting with Covariate-Informed Time Series Foundation Models},
author = {Matthias Hertel and Alexandra Nikoltchovska and Sebastian Pütz and Ralf Mikut and Benjamin Schäfer and Veit Hagenmeyer},
journal= {arXiv preprint arXiv:2604.28149},
year = {2026}
}