基于 Transformer 的无抽样 SHAP 可解释时间序列预测
机器学习
2025-12-24 v1
摘要
时间序列预测在诸多领域的规划和决策中至关重要。可解释性是建立用户信任和满足透明度要求的关键因素。Shapley 增益解释（SHAP）是流行的可解释人工智能框架，但缺乏针对时间序列的高效实现，常假设特征在抽样无条件情形时独立。我们提出 SHAPformer，一种基于 Transformer 架构的准确、快速且无抽样的可解释时间序列预测模型。它利用注意力操控技术基于特征子集进行预测。SHAPformer 在一秒钟内生成解释，速度比 SHAP 置换解释器快了多个数量级。在具有真实解释的合成数据上，SHAPformer 提供的解释与数据相符。应用于真实世界电力负荷数据时，它实现了具竞争力的预测性能，并提供了有意义的局部和全局见解，例如识别过去的负荷作为关键预测器，并揭示了圣诞节期间模型行为的显著差异。
引用
@article{arxiv.2512.20514,
title = {Explainable time-series forecasting with sampling-free SHAP for Transformers},
author = {Matthias Hertel and Sebastian Pütz and Ralf Mikut and Veit Hagenmeyer and Benjamin Schäfer},
journal= {arXiv preprint arXiv:2512.20514},
year = {2025}
}