🤖 machine learning

Explainable Load Forecasting with Covariate-Informed Time Series Foundation Models

Ce papier propose un cadre d'explication évolutif basé sur SHAP pour les modèles de base temporels, démontrant qu'ils peuvent atteindre une précision de prévision de charge à un jour compétitive tout en maintenant la transparence et l'interprétabilité alignées sur le domaine requises pour les infrastructures énergétiques critiques.

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

Publié 2026-05-01

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

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

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de prédire combien d'électricité toute une région consommera demain. Autrefois, les experts utilisaient des règles simples ou des astuces statistiques. Aujourd'hui, nous avons les « Modèles Fondamentaux de Séries Temporelles » (TSFM). Considérez-les comme des chefs cuisiniers IA pré-entraînés, d'une intelligence supérieure. Ils ont goûté des millions de « recettes » différentes (données de séries temporelles) venant du monde entier. Parce qu'ils ont vu tant de choses, ils peuvent préparer une prévision pour une nouvelle cuisine (comme un réseau électrique spécifique) sans jamais avoir besoin de s'entraîner dans cette cuisine précise au préalable. C'est ce qu'on appelle l'apprentissage « zero-shot ».

Cependant, il y a un problème. Ces chefs IA sont des boîtes noires. Ils vous offrent une prédiction délicieuse (la prévision), mais ils ne vous disent pas pourquoi ils ont ajouté du sel plutôt que du sucre. Dans le réseau électrique, où les erreurs peuvent provoquer des pannes, les opérateurs doivent savoir pourquoi l'IA pense que la demande sera élevée. Ils ont besoin de transparence, pas seulement d'un chiffre.

Cet article présente une nouvelle façon de regarder à l'intérieur de l'esprit du chef pour voir exactement quels ingrédients ont influencé le plat final.

Le Problème : La Cuisine « Boîte Noire »

Les auteurs ont utilisé deux chefs IA spécifiques : Chronos-2 et TabPFN-TS.

Chronos-2 est comme un chef spécialisé dans la lecture du rythme du temps (comme un musicien).
TabPFN-TS est comme un chef excellent pour examiner un tableau de faits et y déceler des motifs.

Les deux sont incroyablement précis pour prédire la charge électrique. Mais si vous leur demandez : « Pourquoi avez-vous prédit une forte consommation pour le mardi prochain ? », ils répondent généralement : « Parce que mon réseau de neurones l'a dit. » C'est risqué pour les infrastructures critiques.

La Solution : Le Test de l'« Ingrédient Manquant »

Pour résoudre ce problème, les auteurs ont créé une méthode pour calculer les valeurs SHAP. En termes simples, SHAP est un moyen de répartir équitablement le mérite d'une prévision parmi tous les ingrédients utilisés.

Imaginez que vous faites un gâteau et qu'il se révèle délicieux. Pour déterminer combien de mérite les œufs méritent, vous refaites le gâteau, mais cette fois vous laissez de côté les œufs.

Si le gâteau s'effondre, les œufs étaient cruciaux.
Si le gâteau a le même goût, les œufs n'avaient pas beaucoup d'importance.

Les auteurs ont fait cela pour la prévision électrique, mais avec une astuce ingénieuse pour accélérer le processus :

Masquage Temporel : Ils ont demandé à l'IA : « Et si nous faisions semblant de ne pas savoir quelle était la consommation d'électricité la semaine dernière ? » ou « Et si nous faisions semblant de ne pas savoir ce qui s'est passé hier ? »
Masquage des Covariables : Ils ont demandé : « Et si nous faisions semblant de ne pas connaître la prévision météo ? » ou « Et si nous faisions semblant de ne pas savoir s'il s'agit d'un jour férié ? »

En retirant systématiquement ces « ingrédients » (pas de temps ou données météorologiques) et en observant comment la prévision change, ils ont pu calculer mathématiquement exactement dans quelle mesure chaque facteur a contribué à la réponse finale.

Les Résultats : L'IA Écoute

L'équipe a testé ces modèles sur de vraies données électriques du Bade-Wurtemberg, en Allemagne. Voici ce qu'ils ont découvert :

1. L'IA est aussi bonne que les experts.
Même sans avoir été entraînés spécifiquement sur des données allemandes, ces modèles pré-entraînés ont performé presque aussi bien que des modèles ayant passé des années à étudier les données électriques allemandes. Ils étaient également beaucoup plus rapides à mettre en place car ils n'avaient pas besoin d'être réentraînés.

2. L'IA comprend le monde.
Lorsque les auteurs ont examiné les « explications » (les valeurs SHAP), le raisonnement de l'IA correspondait parfaitement au bon sens humain :

Jours fériés : Lorsque le modèle prévoyait une consommation plus faible un dimanche ou un jour férié, l'explication montrait que l'ingrédient « Jour férié » était la raison principale. Il savait que les usines ferment et que les gens restent à la maison.
Température : Par temps froid, le modèle prévoyait une consommation plus élevée. L'explication montrait que l'ingrédient « Température » était le moteur de cette hausse, probablement parce que les gens utilisent le chauffage électrique.
Lumière du soleil : Lorsque le soleil était moins brillant que la veille, le modèle prévoyait une utilisation plus élevée du réseau. L'explication montrait que cela était dû au fait que les panneaux solaires (qui aident généralement à réduire la charge du réseau) produisaient moins d'électricité.

3. C'est assez rapide pour être utilisé.
Habituellement, effectuer ce test de « l'ingrédient manquant » prend une éternité car il existe tellement de combinaisons. Mais parce que ces modèles IA sont flexibles (ils peuvent gérer facilement les données manquantes), les auteurs ont pu exécuter le test en quelques secondes. Par exemple, expliquer une prévision prenait environ 5 secondes pour Chronos-2.

La Conclusion

Cet article prouve que nous n'avons pas à choisir entre précision et transparence. Nous pouvons utiliser ces puissants modèles IA pré-entraînés pour prédire les besoins en électricité, et nous pouvons aussi leur demander : « Pourquoi ? » et obtenir une réponse claire et logique qui correspond à notre compréhension réelle du monde concernant la météo, les jours fériés et le comportement humain.

C'est comme avoir un assistant super-intelligent qui non seulement vous donne la bonne réponse, mais qui vous tend aussi le livre de recettes et vous montre la page exacte où il a décidé d'ajouter le sucre supplémentaire. Cela rend sûr et fiable l'utilisation de ces outils IA pour maintenir les lumières allumées.

1. Énoncé du problème

Contexte : Une prévision de charge précise est cruciale pour l'équilibre offre-demande dans les réseaux électriques modernes. Bien que les modèles d'apprentissage profond (spécifiquement les modèles de base pour séries temporelles ou TSFMs) aient démontré des performances supérieures dans des configurations zero-shot et few-shot, ils fonctionnent comme des "boîtes noires".
Défi : Les applications d'infrastructures critiques (comme les réseaux électriques) exigent transparence et confiance, en particulier dans le cadre de réglementations comme l'AI Act de l'UE. Les méthodes d'explication post-hoc standard, telles que les explications additives de Shapley (SHAP), sont théoriquement solides mais computationnellement prohibitives pour les TSFMs.
Goulot d'étranglement spécifique : Le calcul des valeurs SHAP exactes nécessite d'évaluer un modèle sur tous les sous-ensembles possibles (coalitions) de caractéristiques ( $2^n$ ). Pour les séries temporelles avec de longs horizons d'entrée et plusieurs covariables, cela nécessite généralement un échantillonnage à partir d'un jeu de données de fond pour gérer les caractéristiques manquantes, ce qui est coûteux et introduit une variance. De plus, les TSFMs standards sont souvent traités comme opaques, rendant incertaine la manière dont ils utilisent correctement les covariables pertinentes du domaine (par exemple, météo, calendrier).

2. Méthodologie

Les auteurs proposent un algorithme efficace pour calculer des valeurs SHAP exactes pour des TSFMs informés par des covariables en exploitant leur flexibilité architecturale.

Innovation centrale : Masquage sans échantillonnage de fond

Contrairement aux implémentations SHAP traditionnelles qui échantillonnent les caractéristiques manquantes à partir d'un jeu de données de fond, cette approche exploite le fait que les TSFMs (spécifiquement Chronos-2 et TabPFN-TS) peuvent gérer nativement des longueurs de contexte d'entrée arbitraires et des covariables manquantes.

Regroupement des caractéristiques : Pour réduire la complexité exponentielle ( $2^n$ $2^{n}$ ), les caractéristiques sont regroupées en $N$ $N$ sous-ensembles ( $N \ll n$ $N ≪ n$ ) :
- Groupes temporels : La série temporelle historique de charge est divisée en quatre patches : Jour dernier, Court terme (1 semaine), Intermédiaire (4 semaines) et Long terme (>4 semaines).
- Groupes de covariables : Chaque covariable (Férié, Température, Irradiance) forme son propre groupe.
Stratégies de masquage :
- Masquage temporel :
  - Chronos-2 : Réduit la longueur de contexte pour le masquage précoce ; définit les valeurs à NaN pour le masquage intermédiaire (traitées nativement comme manquantes).
  - TabPFN-TS : Supprime entièrement les lignes correspondantes car il ne peut pas gérer les NaN dans la variable cible.
- Masquage des covariables : Supprime complètement des covariables spécifiques de l'entrée.
- Prédiction de base : Lorsque toutes les données sont masquées, le modèle prédit la charge moyenne des 48 semaines précédentes (Chronos-2) ou de l'année (TabPFN-TS).
Calcul : La valeur SHAP est calculée en comparant les prédictions à travers ces $2^N$ coalitions. Cela élimine le besoin d'échantillonnage de fond et permet un calcul exact.

Modèles évalués

Chronos-2 : Un TSFM basé sur Transformer préentraîné sur des séries temporelles diverses, étendu pour gérer les covariables.
TabPFN-TS : Un modèle de base tabulaire adapté aux séries temporelles en utilisant l'apprentissage en contexte (sans fine-tuning basé sur le gradient).

3. Contributions clés

Étalonnage des performances : Une comparaison complète de Chronos-2 et TabPFN-TS par rapport à des Transformers de pointe entraînés à partir de zéro sur des données spécifiques d'un Gestionnaire de Réseau de Transport (TSO).
Algorithme SHAP efficace : Une méthode novatrice, agnostique du modèle (au sein des TSFMs), pour calculer des valeurs SHAP exactes en utilisant le masquage temporel et des covariables, contournant ainsi le coût computationnel de l'échantillonnage de fond.
Validation empirique de l'explicabilité : Démonstration que les TSFMs informés par des covariables utilisent des caractéristiques externes (météo, calendrier) d'une manière cohérente avec les connaissances physiques du domaine, validant ainsi leur fiabilité pour une utilisation opérationnelle.

4. Résultats expérimentaux

Jeu de données et configuration

Données : Données de charge électrique horaire de TransnetBW (Allemagne, Bade-Wurtemberg) de janvier 2015 à septembre 2025.
Covariables : Température, Irradiance solaire (de la réanalyse ERA5) et un indicateur de jour férié.
Tâche : Prévision de charge à un jour (horizon de 24 heures).
Références : Une base saisonnière simple et un Transformer entraîné à partir de zéro (sur 1 an et 8,75 ans de données).

Précision de la prévision

Performance Zero-Shot : Les deux TSFMs surpassent un Transformer entraîné uniquement sur un an de données.
- TabPFN-TS réduit l'erreur absolue moyenne (MAE) de 23,5 % par rapport au Transformer d'un an.
- Chronos-2 réduit le MAE de 26,8 %.
Données d'entraînement complètes : Un Transformer entraîné sur 8,75 ans de données atteint l'erreur la plus faible (MAE : 150,2 MW), surpassant légèrement les TSFMs zero-shot (Chronos-2 : 156,2 MW ; TabPFN-TS : 163,2 MW).
Impact des covariables : L'intégration de covariables améliore significativement les performances des TSFMs :
- Le MAE de Chronos-2 s'améliore de 27,0 %.
- Le MAE de TabPFN-TS s'améliore de 31,5 %.
Longueur de contexte : Chronos-2 surpasse TabPFN-TS sur toutes les longueurs de contexte. TabPFN-TS nécessite au moins deux semaines de contexte pour battre la référence, tandis que Chronos-2 n'en a besoin que d'une semaine.

Efficacité d'exécution

Entraînement : Les TSFMs nécessitent zéro temps d'entraînement (préentraînés), alors que le Transformer a pris environ 19 minutes à entraîner.
Inférence : Chronos-2 est rapide (~~66 ms/prévision). TabPFN-TS est plus lent (~~5,5 s/prévision).
Explication : La génération d'une explication SHAP complète prend ~5 secondes pour Chronos-2 et ~367 secondes pour TabPFN-TS (en raison du temps d'inférence plus lent multiplié par le nombre de coalitions).

Analyse de l'explicabilité

Importance globale :
- La charge passée est la caractéristique dominante (~87-89 % d'importance).
- Parmi les covariables, les jours fériés sont les plus importants, suivis de la température, puis de l'irradiance.
- Chronos-2 et TabPFN-TS s'accordent sur le classement de l'importance des covariables.
Analyse locale/de dépendance :
- Jours fériés : Les modèles réduisent correctement les prévisions de charge les jours fériés et les augmentent le jour ouvré suivant. TabPFN-TS s'appuie davantage sur le drapeau férié pour les dimanches/lundis, tandis que Chronos-2 infère des modèles hebdomadaires à partir de la charge passée.
- Température : Les modèles identifient correctement que la hausse des températures (par rapport au jour précédent) diminue la charge (réduction de la demande de chauffage), et vice versa.
- Irradiance : Les modèles réagissent correctement aux baisses d'irradiance solaire en augmentant les prévisions de charge (tenant compte de la réduction de la génération photovoltaïque derrière le compteur).
Conclusion sur la confiance : Les explications SHAP s'alignent parfaitement avec les connaissances établies du domaine, confirmant que les modèles ne font pas que s'adapter au bruit mais apprennent des relations physiques.

5. Importance et travaux futurs

Faisabilité opérationnelle : L'étude prouve que les TSFMs sont non seulement précis mais aussi transparents. Ils peuvent servir d'outils fiables pour les opérateurs de réseau sans nécessiter de réentraînement extensif ou de collecte de données.
Conformité réglementaire : La capacité à fournir des explications exactes et théoriquement fondées adresse la barrière de la "boîte noire", facilitant la conformité aux réglementations sur l'IA dans les infrastructures critiques.
Évolutivité : La stratégie de masquage proposée est une approche généralisable pour expliquer tout TSFM acceptant des contextes d'entrée variables.
Voies futures :
- Étendre le cadre aux prévisions probabilistes et à la quantification de l'incertitude.
- Appliquer la méthode à d'autres tâches énergétiques (prévision des prix, génération renouvelable).
- Investiguer comment le fine-tuning affecte les schémas d'attribution des caractéristiques.

En résumé, ce papier comble le fossé entre la haute performance des modèles de base et les exigences strictes de transparence du secteur de l'énergie, démontrant que Chronos-2 et TabPFN-TS sont des solutions viables, explicables et efficaces pour la prévision de charge opérationnelle.