LIMREF：面向预测的局部可解释模型无关基于规则的 Explanations，及其在电力智能电表数据中的应用
机器学习
2022-02-17 v1 人工智能
摘要
准确的电力需求预测在可持续电力系统中起着关键作用。为了更好地支持决策，尤其是终端用户的需求灵活性，不仅有必要提供准确的预测，还需提供可理解且可操作的预测。为了提供准确预测，近期跨时间序列训练的全局预测模型（GFM）在许多需求预测竞赛和现实应用中相比单变量预测方法展现出更优的结果。我们旨在填补全局预测方法中准确性与可解释性之间的鸿沟。为解释全局模型预测，我们提出局部可解释模型无关基于规则的预测解释（LIMREF），一种局部解释器框架，它以模型无关的方式将全局预测模型视为黑盒模型，为特定预测生成 k 个最优影响规则。它提供解释全局模型预测的不同类型规则以及反事实规则，后者为给定实例获得不同输出的潜在变更提供可操作洞见。我们使用带有温度和日历效应等外生特征的大规模电力需求数据集进行实验。在此，我们从准确性和保真度、可理解性等定性与定量方面评估 LIMREF 框架所生成解释的质量，并与其他局部解释器进行基准比较。
引用
@article{arxiv.2202.07766,
title = {LIMREF: Local Interpretable Model Agnostic Rule-based Explanations for Forecasting, with an Application to Electricity Smart Meter Data},
author = {Dilini Rajapaksha and Christoph Bergmeir},
journal= {arXiv preprint arXiv:2202.07766},
year = {2022}
}
备注
Accepted as a conference paper to AAAI 2022