🤖 machine learning

Explainable Load Forecasting with Covariate-Informed Time Series Foundation Models

تقترح هذه الورقة إطار عمل تفسيري يعتمد على تقنية SHAP وقابل للتوسع لنماذج التأسيس للسلاسل الزمنية، مما يثبت قدرتها على تحقيق دقة تنافسية في التنبؤ بالأحمال لليوم التالي مع الحفاظ على الشفافية والقابلية للتفسير المتوافق مع المجال والمطلوب للبنية التحتية الحيوية للطاقة.

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

نُشر 2026-05-01

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

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

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول التنبؤ بكمية الكهرباء التي ستستهلكها منطقة بأكملها غداً. في الماضي، استخدم الخبراء قواعد بسيطة أو حيل إحصائية. أما الآن، فلدينا "نماذج التأسيس للسلاسل الزمنية" (TSFMs). فكر في هذه النماذج كأنها طهاة ذكاء اصطناعي بارعين ومُدربين مسبقاً. لقد تذوقوا ملايين "الوصفات" المختلفة (بيانات السلاسل الزمنية) من جميع أنحاء العالم. ولأنهم شاهدوا الكثير، يمكنهم إعداد تنبؤ لمطبخ جديد (مثل شبكة طاقة محددة) دون الحاجة أبداً للتدرب في ذلك المطبخ أولاً. وهذا ما يسمى بالتعلم "صفر الاستيعاب" (zero-shot).

ومع ذلك، هناك مشكلة. هؤلاء الطهاة الآليون هم صناديق سوداء. إنهم يقدمون لك تنبؤاً لذيذاً (التوقع)، لكنهم لن يخبروك لماذا أضافوا الملح بدلاً من السكر. في شبكة الطاقة، حيث يمكن أن تتسبب الأخطاء في انقطاع التيار الكهربائي، يحتاج المشغلون إلى معرفة لماذا يعتقد الذكاء الاصطناعي أن الطلب سيكون مرتفعاً. إنهم بحاجة إلى الشفافية، وليس مجرد رقم.

تقدم هذه الورقة البحثية طريقة جديدة للنظر داخل عقل الطاهي لرؤية أي المكونات بالضبط أثرت على الطبخة النهائية.

المشكلة: المطبخ "الصندوق الأسود"

استخدم المؤلفون اثنين من طهاة الذكاء الاصطناعي هؤلاء: Chronos-2 و TabPFN-TS.

Chronos-2 يشبه طباخاً متخصصاً في قراءة إيقاع الوقت (مثل الموسيقي).
TabPFN-TS يشبه طباخاً بارعاً في النظر إلى جداول البيانات المليئة بالحقائق وإيجاد الأنماط.

كلاهما دقيق للغاية في التنبؤ بحمل الكهرباء. ولكن إذا سألتهم: "لماذا توقعت استخداماً مرتفعاً لثلاثاء القادم؟" فعادة ما يجيبون: "لأن شبكتي العصبية قالت ذلك". وهذا أمر محفوف بالمخاطر للبنية التحتية الحيوية.

الحل: اختبار "المكون المفقود"

لحل هذه المشكلة، ابتكر المؤلفون طريقة لحساب قيم SHAP. بتبسيط شديد، SHAP هي طريقة لتقسيم الفضل في التنبؤ بشكل عادل بين جميع المكونات المستخدمة.

تخيل أنك تخبز كعكة وتبدو لذيذة. لمعرفة مقدار الفضل الذي تستحقه البيضات، تقوم بخبز الكعكة مرة أخرى، ولكن هذه المرة تستبعد البيض.

إذا انهارت الكعكة، فالبيضات كانت حاسمة.
إذا ظل طعم الكعكة كما هو، فالبيضات لم تكن مهمة كثيراً.

فعل المؤلفون ذلك للتنبؤ بالكهرباء، ولكن مع لمسة ذكية لجعل العملية سريعة:

إخفاء الوقت (Time Masking): سألوا الذكاء الاصطناعي: "ماذا لو تظاهرنا بأننا لا نعرف ما كان استهلاك الكهرباء في الأسبوع الماضي؟" أو "ماذا لو تظاهرنا بأننا لا نعرف ما حدث بالأمس؟"
إخفاء المتغيرات المصاحبة (Covariate Masking): سألوا: "ماذا لو تظاهرنا بأننا لا نعرف توقعات الطقس؟" أو "ماذا لو تظاهرنا بأننا لا نعرف ما إذا كان اليوم عطلة؟"

من خلال إزالة هذه "المكونات" (الخطوات الزمنية أو بيانات الطقس) بشكل منهجي ومعرفة كيف يتغير التنبؤ، تمكنوا من حساب مدى مساهمة كل عامل بدقة في الإجابة النهائية.

النتائج: الذكاء الاصطناعي يصغي

اختبر الفريق هذه النماذج على بيانات كهرباء حقيقية من ولاية بادن فورتمبيرغ، ألمانيا. وإليكم ما وجدوه:

1. الذكاء الاصطناعي بمستوى الخبراء.
حتى بدون التدرب خصيصاً على البيانات الألمانية، كان أداء هذه النماذج المدربة مسبقاً يقارب أداء النماذج التي قضت سنوات في دراسة بيانات الكهرباء الألمانية. كما كانوا أسرع بكثير في الإعداد لأنهم لم يحتاجوا إلى إعادة التدريب.

2. الذكاء الاصطناعي يفهم العالم.
عندما نظر المؤلفون إلى "التفسيرات" (قيم SHAP)، وجدوا أن منطق الذكاء الاصطناعي يتطابق تماماً مع المنطق البشري:

العطلات: عندما توقع النموذج استخداماً أقل في يوم الأحد أو في عطلة رسمية، أظهر التفسير أن مكون "العطلة" كان السبب الرئيسي. لقد عرف أن المصانع تغلق والناس يبقون في منازلهم.
درجة الحرارة: في الأيام الباردة، توقع النموذج استخداماً أعلى. وأظهر التفسير أن مكون "درجة الحرارة" هو ما دفع هذا الارتفاع، ويرجع ذلك على الأرجح إلى استخدام الناس للتدفئة الكهربائية.
ضوء الشمس: عندما كان ضوء الشمس أقل سطوعاً من اليوم السابق، توقع النموذج استخداماً أعلى للشبكة. وأظهر التفسير أن السبب هو أن الألواح الشمسية (التي تساعد عادة في تقليل حمل الشبكة) تنتج طاقة أقل.

3. إنه سريع بما يكفي للاستخدام.
عادةً، يستغرق إجراء اختبار "المكون المفقود" هذا وقتاً طويلاً جداً بسبب كثرة الاحتمالات. ولكن لأن نماذج الذكاء الاصطناعي هذه مرنة (يمكنها التعامل مع البيانات المفقودة بسهولة)، تمكن المؤلفون من إجراء الاختبار في ثوانٍ. على سبيل المثال، استغرق شرح التنبؤ حوالي 5 ثوانٍ لنموذج Chronos-2.

الخلاصة

تثبت هذه الورقة البحثية أنه ليس علينا الاختيار بين الدقة والشفافية. يمكننا استخدام نماذج الذكاء الاصطناعي القوية والمدربة مسبقاً للتنبؤ باحتياجات الكهرباء، ويمكننا أيضاً سؤالها: "لماذا؟" والحصول على إجابة واضحة ومنطقية تتوافق مع فهمنا للواقع من طقس وعطلات وسلوك بشري.

الأمر يشبه امتلاك مساعد فائق الذكاء لا يعطيك الإجابة الصحيحة فحسب، بل يسلمك أيضاً كتاب الوصفات ويشير إلى الصفحة التي قرر فيها إضافة السكر الزائد. وهذا يجعل استخدام أدوات الذكاء الاصط هذه آمناً وموثوقاً لإبقاء الأنوار مضاءة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التنبؤ القابل للتفسير بالأحمال باستخدام النماذج التأسيسية للسلاسل الزمنية المستندة إلى المتغيرات المصاحبة."

1. بيان المشكلة

السياق: يعد التنبؤ الدقيق بالأحمال أمراً حيوياً لموازنة العرض والطلب في شبكات الطاقة الحديثة. وبينما أظهرت نماذج التعلم العميق (وتحديداً النماذج التأسيسية للسلاسل الزمنية - TSFMs) أداءً فائقاً في سيناريوهات التعلم الصفري (zero-shot) والتعلم القليل (few-shot)، إلا أنها تعمل كـ "صناديق سوداء".
التحدي: تتطلب تطبيقات البنية التحتية الحيوية (مثل شبكات الطاقة) الشفافية والثقة، خاصة في ظل الأطر التنظيمية مثل قانون الذكاء الاصطناعي للاتحاد الأوروبي. وتعد طرق التفسير اللاحقة القياسية، مثل تفسيرات شابل المضافة (SHAP)، سليمة نظرياً ولكنها مكلفة حوسبياً لنماذج TSFMs.
العائق المحدد: يتطلب حساب قيم SHAP الدقيقة تقييم النموذج على جميع المجموعات الفرعية الممكنة (التحالفات) من الميزات ( $2^n$ ). وبالنسبة للسلاسل الزمنية ذات آفاق المدخلات الطويلة والمتغيرات المصاحبة المتعددة، فإن هذا يتطلب عادةً أخذ عينات من مجموعة بيانات خلفية للتعامل مع الميزات المفقودة، وهو أمر مكلف ويؤدي إلى تباين. علاوة على ذلك، غالباً ما تُعامل نماذج TSFMs القياسية ككيانات غامضة، مما يجعل من غير الواضح ما إذا كانت تستخدم المتغيرات المصاحبة ذات الصلة بالمجال (مثل الطقس، والتقويم) بشكل صحيح.

2. المنهجية

يقترح المؤلفون خوارزمية فعالة لحساب قيم SHAP الدقيقة لنماذج TSFMs المستندة إلى المتغيرات المصاحبة من خلال استغلال مرونتها الهيكلية.

الابتكار الجوهري: القناع (Masking) دون أخذ عينات خلفية

على عكس تطبيقات SHAP التقليدية التي تأخذ عينات من الميزات المفقودة من مجموعة بيانات خلفية، يستغل هذا النهج حقيقة أن نماذجم TSFMs (وتحديداً Chronos-2 و TabPFN-TS) يمكنها التعامل مع أطوال سياق مدخلات عشوائية ومتغيرات مصاحبة مفقودة بشكل أصيل.

تجميع الميزات: يتم تجميع الميزات في مجموعات $N$ $N$ (حيث $N \ll n$ $N ≪ n$ ) لتقليل التعقيد الأسي ( $2^n$ $2^{n}$ ):
- المجموعات الزمنية: يتم تقسيم سلسلة أحمال التاريخ إلى أربعة أجزاء (Patches): اليوم الأخير، المدى القصير (أسبوع واحد)، المدى المتوسط (4 أسابيع)، والمدى الطويل (>4 أسابيع).
- مجموعات المتغيرات المصاحبة: يشكل كل متغير مصاحب (العطلات، درجة الحرارة، الإشعاع) مجموعة خاصة به.
استراتيجيات القناع (Masking):
- القناع الزمني:
  - Chronos-2: يقلل طول السياق للقناع المبكر؛ ويضع القيم على NaN للقناع المتوسط (يتم التعامل معه داخلياً كمفقود).
  - TabPFN-TS: يحذف الصفوف المقابلة تماماً لأنه لا يمكنه التعامل مع NaN في المتغير المستهدف.
- قناع المتغيرات المصاحبة: إزالة متغيرات مصاحبة محددة تماماً من المدخلات.
- التنبؤ الأساسي: عندما يتم قناع جميع البيانات، يتنبأ النموذج بمتوسط الحمل خلال الأسابيع الـ 48 الماضية (Chronos-2) أو السنة الماضية (TabPFN-TS).
الحساب: يتم حساب قيمة SHAP من خلال مقارنة التنبؤات عبر هذه التحالفات ( $2^N$ ). وهذا يلغي الحاجة إلى أخذ عينات الخلفية ويسمح بالحساب الدقيق.

النماذج التي تم تقييمها

Chronos-2: نموذج TSFM قائم على Transformer، تم تدريبه مسبقاً على سلاسل زمنية متنوعة، وتم توسيعه للتعامل مع المتغيرات المصاحبة.
TabPFN-TS: نموذج تأسيسي للبيانات الجدولية تم تكييفه مع السلاسل الزمنية باستخدام التعلم داخل السياق (دون ضبط دقيق يعتمد على التدرج).

3. المساهمات الرئيسية

قياس الأداء المرجعي: مقارنة شاملة لـ Chronos-2 و TabPFN-TS مع نماذج Transformer متطورة تم تدريبها من الصفر على بيانات مشغل نظام نقل (TSO) محددة.
خوارزمية SHAP فعالة: طريقة مبتكرة وغير مرتبطة بنموذج معين (ضمن نطاق TSFMs) لحساب قيم SHAP الدقيقة باستخدام القناع الزمني وقناع المتغيرات المصاحبة، مما يتجاوز التكلفة الحوسبية لأخذ عينات الخلفية.
التحقق التجريبي من القابلية للتفسير: إثبات أن نماذج TSFMs المستندة إلى المتغيرات المصاحبة تستخدم الميزات الخارجية (الطقس، التقويم) بطرق تتوافق مع المعرفة الفيزيائية للمجال، مما يؤكد موثوقيتها للاستخدام التشغيلي.

4. النتائج التجريبية

مجموعة البيانات والإعداد

البيانات: بيانات الأحمال الكهربية بالساعة من TransnetBW (ألمانيا، بادن فورتمبيرغ) من يناير 2015 إلى سبتمبر 2025.
المتغيرات المصاحبة: درجة الحرارة، الإشعاع الشمسي (من إعادة تحليل ERA5)، ومؤشر العطلات.
المهمة: التنبؤ بالحمل لليوم التالي (أفق 24 ساعة).
النماذج المرجعية: نموذج موسمي بسيط ونموذج Transformer تم تدريبه من الصفر (على سنة واحدة و8.75 سنوات من البيانات).

دقة التنبؤ

أداء التعلم الصفري (Zero-Shot): تفوقت كلا النماذج (TSFMs) على نموذج Transformer الذي تم تدريبه على سنة واحدة فقط من البيانات.
- قلل TabPFN-TS متوسط الخطأ المطلق (MAE) بنسبة 23.5% مقارنة بـ Transformer ذي السنة الواحدة.
- قلل Chronos-2 متوسط الخطأ المطلق (MAE) بنسبة 26.8%.
بيانات التدريب الكاملة: حقق نموذج Transformer المدرب على 8.75 سنة أدنى خطأ (MAE: 150.2 ميجاوات)، متفوقاً قليلاً على نماذج TSFMs ذات التعلم الصفري (Chronos-2: 156.2 ميجاوات؛ TabPFN-TS: 163.2 ميجاوات).
تأثير المتغيرات المصاحبة: أدى دمج المتغيرات المصاحبة إلى تحسين أداء TSFM بشكل كبير:
- تحسن MAE لنموذج Chronos-2 بنسبة 27.0%.
- تحسن MAE لنموذج TabPFN-TS بنسبة 31.5%.
طول السياق: تفوق Chronos-2 على TabPFN-TS عبر جميع أطوال السياق. احتاج TabPFN-TS إلى أسبوعين على الأقل من السياق ليتفوق على النموذج المرجعي، بينما احتاج Chronos-2 إلى أسبوع واحد فقط.

كفاءة وقت التشغيل

التدريب: تتطلب نماذج TSFMs وقتاً صفرياً للتدريب (لأنها مدربة مسبقاً)، بينما استغرق تدريب نموذج Transformer حوالي 19 دقيقة.
الاستدلال (Inference): نموذج Chronos-2 سريع (~~66 مللي ثانية/تنبؤ). أما TabPFN-TS فهو أبطأ (~~5.5 ثانية/تنبؤ).
التفسير: يستغرق إنشاء تفسير SHAP كامل حوالي 5 ثوانٍ لـ Chron-os-2 وحوالي 367 ثانية لـ TabPFN-TS (بسبب وقت الاستدلال الأبطأ مضروباً في عدد التحالفات).

تحليل القابلية للتفسير

الأهمية العالمية:
- الحمل السابق هو الميزة المهيمنة (~87-89% من الأهمية).
- من بين المتغيرات المصاحبة، كانت العطلات هي الأكثر أهمية، تليها درجة الحرارة، ثم الإشعاع.
- اتفق كل من Chronos-2 و TabPFN-TS على ترتيب أهمية المتغيرات المصاحبة.
التحليل المحلي/الاعتماد:
- العطلات: قامت النماذج بشكل صحيح بخفض تنبؤات الأحمال في العطلات وزيادتها في أيام العمل التالية. اعتمد TabPFN-TS بشكل أكبر على علامة العطلة لأيام الأحد/الاثنين، بينما استنتج Chronos-2 الأنماط الأسبوعية من الحمل السابق.
- درجة الحرارة: حددت النماذج بشكل صحيح أن ارتفاع درجات الحرارة (مقارنة باليوم السابق) يقلل من الأحمال (تقليل الطلب على التدفئة)، والعكس صحيح.
- الإشعاع: تفاعلت النماذج بشكل صحيح مع انخفاض الإشعاع الشمسي بزيادة تنبؤات الأحمال (لتعويض انخفاض توليد الطاقة الشمسية خلف العداد).
الاستنتاج حول الثقة: توافقت تفسيرات SHAP تماماً مع المعرفة الميدانية الراسخة، مما يؤكد أن النماذج لا تقوم فقط بملاءمة الضوضاء بل تتعلم العلاقات الفيزيائية.

5. الأهمية والعمل المستقبلي

الجدوى التشغيلية: تثبت الدراسة أن نماذج TSFMs ليست دقيقة فحسب، بل هي أيضاً شفافة. يمكن أن تعمل كأدوات موثوقة لمشغلي الشبكات دون الحاجة إلى إعادة تدريب واسعة أو جمع بيانات مكثفة.
الامتثال التنظيمي: معالجة حاجز "الصندوق الأسود" من خلال القدرة على تقديم تفسيرات دقيقة ومؤسسة نظرياً يسهل الامتثال للوائح الذكاء الاصطناعي في البنية التحتية الحيوية.
القابلية للتوسع: تعد استراتيجية القناع المقترحة نهجاً قابلاً للتعميم لتفسير أي نموذج TSFM يقبل سياقات مدخلات متغيرة.
الاتجاهات المستقبلية:
- توسيع الإطار ليشمل التنبؤات الاحتمالية وتقدير عدم اليقين.
- تطبيق الطريقة على مهام طاقة أخرى (توقع الأسعار، توليد الطاقة المتجددة).
- التحقيق في كيفية تأثير الضبط الدقيق (Fine-tuning) على أنماط إسناد الميزات.

باختصار، تجسر هذه الورقة الفجوة بين الأداء العالي للنماذج التأسيسية والمتطلبات الصارمة للشفافية في قطاع الطاقة، مما يثبت أن Chronos-2 و TabPFN-TS هما حلان قابلان للتفسير وفعالان للتنبؤ بالأحمال التشغيلية.