🤖 machine learning

Explainable Load Forecasting with Covariate-Informed Time Series Foundation Models

Questo articolo propone un framework di spiegazione scalabile basato su SHAP per i Modelli Fondamentali delle Serie Temporali, dimostrando che possono raggiungere una precisione competitiva nella previsione del carico a un giorno mantenendo al contempo la trasparenza e l'interpretabilità allineata al dominio richieste per le infrastrutture energetiche critiche.

Autori originali: Matthias Hertel, Alexandra Nikoltchovska, Sebastian Pütz, Ralf Mikut, Benjamin Schäfer, Veit Hagenmeyer

Pubblicato 2026-05-01

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Matthias Hertel, Alexandra Nikoltchovska, Sebastian Pütz, Ralf Mikut, Benjamin Schäfer, Veit Hagenmeyer

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover prevedere quanto elettricità consumerà un'intera regione domani. In passato, gli esperti utilizzavano regole semplici o trucchi statistici. Oggi, disponiamo di "Modelli Fondamentali per Serie Temporali" (TSFM). Immagina questi come cuochi AI super-intelligenti e pre-addestrati. Hanno assaggiato milioni di "ricette" diverse (dati di serie temporali) da tutto il mondo. Poiché ne hanno viste così tante, possono preparare una previsione per una nuova cucina (come una specifica rete elettrica) senza mai aver bisogno di esercitarsi prima in quella cucina specifica. Questo è chiamato apprendimento "zero-shot".

Tuttavia, c'è un problema. Questi cuochi AI sono scatole nere. Ti offrono una previsione deliziosa (la previsione), ma non ti dicono perché hanno aggiunto sale invece di zucchero. Nella rete elettrica, dove gli errori possono causare blackout, gli operatori devono sapere perché l'AI ritiene che la domanda sarà alta. Hanno bisogno di trasparenza, non solo di un numero.

Questo articolo introduce un nuovo modo per sbirciare nella mente del cuoco per vedere esattamente quali ingredienti hanno influenzato il piatto finale.

Il Problema: La Cucina "Scatola Nera"

Gli autori hanno utilizzato due cuochi AI specifici: Chronos-2 e TabPFN-TS.

Chronos-2 è come un cuoco specializzato nel leggere il ritmo del tempo (come un musicista).
TabPFN-TS è come un cuoco eccellente nel guardare un foglio di calcolo di fatti e trovare schemi.

Entrambi sono incredibilmente accurati nel prevedere il carico elettrico. Ma se chiedi loro: "Perché hai previsto un alto consumo per martedì prossimo?", di solito rispondono solo: "Perché la mia rete neurale lo ha detto". Questo è rischioso per le infrastrutture critiche.

La Soluzione: Il Test dell'"Ingrediente Mancante"

Per risolvere il problema, gli autori hanno creato un metodo per calcolare i valori SHAP. In termini semplici, SHAP è un modo per dividere equamente il merito di una previsione tra tutti gli ingredienti utilizzati.

Immagina di cuocere una torta e che risulti deliziosa. Per capire quanto merito meritano le uova, cuoci di nuovo la torta, ma questa volta ometti le uova.

Se la torta crolla, le uova erano cruciali.
Se la torta ha lo stesso sapore, le uova non contavano molto.

Gli autori hanno fatto questo per le previsioni elettriche, ma con un tocco astuto per renderlo veloce:

Mascheramento Temporale: Hanno chiesto all'AI: "Cosa succederebbe se fingessimo di non sapere qual era il consumo elettrico la settimana scorsa?" oppure "Cosa succederebbe se fingessimo di non sapere cosa è successo ieri?".
Mascheramento delle Covariate: Hanno chiesto: "Cosa succederebbe se fingessimo di non conoscere le previsioni del tempo?" oppure "Cosa succederebbe se fingessimo di non sapere se è un giorno festivo?".

Rimuovendo sistematicamente questi "ingredienti" (passi temporali o dati meteorologici) e osservando come cambia la previsione, hanno potuto calcolare matematicamente esattamente quanto ogni fattore ha contribuito alla risposta finale.

I Risultati: L'AI Sta Ascoltando

Il team ha testato questi modelli su dati elettrici reali del Baden-Württemberg, in Germania. Ecco cosa hanno scoperto:

1. L'AI è buona quanto gli esperti.
Anche senza essere addestrata specificamente su dati tedeschi, questi modelli pre-addestrati hanno funzionato quasi quanto modelli che avevano passato anni a studiare i dati elettrici tedeschi. Sono stati anche molto più veloci da configurare perché non hanno bisogno di essere ri-addestrati.

2. L'AI comprende il mondo.
Quando gli autori hanno esaminato le "spiegazioni" (i valori SHAP), il ragionamento dell'AI corrispondeva perfettamente al buon senso umano:

Giorni Festivi: Quando il modello ha previsto un consumo inferiore di domenica o in un giorno festivo, la spiegazione ha mostrato che l'ingrediente "Giorno Festivo" era la ragione principale. Sapeva che le fabbriche chiudono e le persone restano a casa.
Temperatura: Nei giorni freddi, il modello ha previsto un consumo più alto. La spiegazione ha mostrato che l'ingrediente "Temperatura" stava spingendo questo aumento, probabilmente perché le persone utilizzano il riscaldamento elettrico.
Luce Solare: Quando il sole era meno luminoso rispetto al giorno precedente, il modello ha previsto un maggiore utilizzo della rete. La spiegazione ha mostrato che questo era dovuto al fatto che i pannelli solari (che di solito aiutano a ridurre il carico sulla rete) stavano producendo meno energia.

3. È abbastanza veloce da utilizzare.
Di solito, eseguire questo test dell'"ingrediente mancante" richiede un'eternità perché ci sono così tante combinazioni. Ma poiché questi modelli AI sono flessibili (possono gestire facilmente i dati mancanti), gli autori hanno potuto eseguire il test in pochi secondi. Ad esempio, spiegare una previsione ha richiesto circa 5 secondi per Chronos-2.

La Conclusione

Questo articolo dimostra che non dobbiamo scegliere tra accuratezza e trasparenza. Possiamo utilizzare questi potenti modelli AI pre-addestrati per prevedere i bisogni elettrici e possiamo anche chiedere loro: "Perché?" ottenendo una risposta chiara e logica che corrisponde alla nostra comprensione reale del mondo riguardo a meteo, festività e comportamento umano.

È come avere un assistente super-intelligente che non solo ti dà la risposta giusta, ma ti porge anche il libro delle ricette e indica la pagina esatta dove ha deciso di aggiungere lo zucchero extra. Questo rende sicuro e affidabile l'uso di questi strumenti AI per mantenere le luci accese.

1. Enunciato del Problema

Contesto: Una previsione accurata del carico è fondamentale per bilanciare domanda e offerta nelle reti elettriche moderne. Sebbene i modelli di deep learning (in particolare i Modelli Fondazione per Serie Temporali o TSFM) abbiano dimostrato prestazioni superiori in contesti zero-shot e few-shot, operano come "scatole nere".
Sfida: Le applicazioni per infrastrutture critiche (come le reti elettriche) richiedono trasparenza e fiducia, specialmente nell'ambito di quadri normativi come l'AI Act dell'UE. I metodi standard di spiegabilità post-hoc, come le Spiegazioni Additive di Shapley (SHAP), sono teoricamente solidi ma computazionalmente proibitivi per i TSFM.
Collo di bottiglia specifico: Il calcolo dei valori SHAP esatti richiede la valutazione di un modello su tutti i possibili sottoinsiemi (coalizioni) di caratteristiche ( $2^n$ ). Per le serie temporali con orizzonti di input lunghi e molteplici covariate, ciò solitamente necessita di campionamento da un dataset di sfondo per gestire le caratteristiche mancanti, un processo costoso che introduce varianza. Inoltre, i TSFM standard sono spesso trattati come opachi, rendendo incerto se utilizzino correttamente le covariate rilevanti per il dominio (ad es. meteo, calendario).

2. Metodologia

Gli autori propongono un algoritmo efficiente per calcolare valori SHAP esatti per TSFM informati da covariate, sfruttando la loro flessibilità architetturale.

Innovazione Principale: Mascheramento senza Campionamento di Sfondo

A differenza delle implementazioni SHAP tradizionali che campionano le caratteristiche mancanti da un dataset di sfondo, questo approccio sfrutta il fatto che i TSFM (in particolare Chronos-2 e TabPFN-TS) possono gestire nativamente lunghezze di contesto input arbitrarie e covariate mancanti.

Raggruppamento delle Caratteristiche: Per ridurre la complessità esponenziale ( $2^n$ $2^{n}$ ), le caratteristiche sono raggruppate in $N$ $N$ sottoinsiemi ( $N \ll n$ $N ≪ n$ ):
- Gruppi Temporali: La serie storica del carico viene suddivisa in quattro patch: Ultimo Giorno, Breve termine (1 settimana), Intermedio (4 settimane) e Lungo termine (>4 settimane).
- Gruppi di Covariate: Ogni covariata (Festività, Temperatura, Irradianza) forma il proprio gruppo.
Strategie di Mascheramento:
- Mascheramento Temporale:
  - Chronos-2: Riduce la lunghezza del contesto per il mascheramento iniziale; imposta i valori a NaN per il mascheramento intermedio (trattati internamente come mancanti).
  - TabPFN-TS: Elimina completamente le righe corrispondenti poiché non può gestire NaN nella variabile target.
- Mascheramento delle Covariate: Rimuove completamente specifiche covariate dall'input.
- Predizione Base: Quando tutti i dati sono mascherati, il modello prevede il carico medio delle precedenti 48 settimane (Chronos-2) o dell'anno (TabPFN-TS).
Calcolo: Il valore SHAP è calcolato confrontando le previsioni attraverso queste $2^N$ coalizioni. Ciò elimina la necessità di campionamento di sfondo e permette un calcolo esatto.

Modelli Valutati

Chronos-2: Un TSFM basato su Transformer preaddestrato su serie temporali diverse, esteso per gestire covariate.
TabPFN-TS: Un modello fondazione tabulare adattato per le serie temporali utilizzando l'apprendimento in contesto (senza fine-tuning basato su gradienti).

3. Contributi Chiave

Benchmark delle Prestazioni: Un confronto completo tra Chronos-2 e TabPFN-TS e Transformer all'avanguardia addestrati da zero su dati specifici di un Operatore di Sistema di Trasmissione (TSO).
Algoritmo SHAP Efficiente: Un metodo nuovo, agnostico rispetto al modello (all'interno dei TSFM) per calcolare valori SHAP esatti utilizzando mascheramento temporale e delle covariate, aggirando il costo computazionale del campionamento di sfondo.
Validazione Empirica della Spiegabilità: Dimostrazione che i TSFM informati da covariate utilizzano caratteristiche esterne (meteo, calendario) in modi coerenti con la conoscenza fisica del dominio, validandone l'affidabilità per l'uso operativo.

4. Risultati Sperimentali

Dataset e Configurazione

Dati: Dati orari del carico elettrico da TransnetBW (Germania, Baden-Württemberg) da gennaio 2015 a settembre 2025.
Covariate: Temperatura, Irradianza Solare (da reanalisi ERA5) e un indicatore di Festività.
Compito: Previsione del carico a un giorno (orizzonte di 24 ore).
Baseline: Una semplice baseline stagionale e un Transformer addestrato da zero (su 1 anno e 8,75 anni di dati).

Accuratezza delle Previsioni

Prestazioni Zero-Shot: Entrambi i TSFM hanno superato un Transformer addestrato su solo un anno di dati.
- TabPFN-TS ha ridotto l'errore assoluto medio (MAE) del 23,5% rispetto al Transformer da 1 anno.
- Chronos-2 ha ridotto il MAE del 26,8%.
Dati di Addestramento Completi: Un Transformer addestrato su 8,75 anni di dati ha ottenuto l'errore più basso (MAE: 150,2 MW), superando leggermente i TSFM zero-shot (Chronos-2: 156,2 MW; TabPFN-TS: 163,2 MW).
Impatto delle Covariate: L'inclusione delle covariate ha migliorato significativamente le prestazioni dei TSFM:
- Il MAE di Chronos-2 è migliorato del 27,0%.
- Il MAE di TabPFN-TS è migliorato del 31,5%.
Lunghezza del Contesto: Chronos-2 ha superato TabPFN-TS su tutte le lunghezze di contesto. TabPFN-TS ha richiesto almeno due settimane di contesto per battere la baseline, mentre Chronos-2 ne ha bisogno solo una settimana.

Efficienza del Tempo di Esecuzione

Addestramento: I TSFM richiedono tempo di addestramento zero (preaddestrati), mentre il Transformer ha impiegato circa 19 minuti per l'addestramento.
Inferenza: Chronos-2 è veloce (~~66 ms/predizione). TabPFN-TS è più lento (~~5,5 s/predizione).
Spiegazione: Generare una spiegazione SHAP completa richiede ~5 secondi per Chronos-2 e ~367 secondi per TabPFN-TS (a causa del tempo di inferenza più lento moltiplicato per il numero di coalizioni).

Analisi della Spiegabilità

Importanza Globale:
- Il Carico Passato è la caratteristica dominante (~87-89% di importanza).
- Tra le covariate, le Festività sono le più importanti, seguite dalla Temperatura, e poi dall'Irradianza.
- Chronos-2 e TabPFN-TS hanno concordato sulla classificazione dell'importanza delle covariate.
Analisi Locale/Dipendenza:
- Festività: I modelli hanno correttamente ridotto le previsioni di carico nei giorni festivi e le hanno aumentate nel giorno lavorativo successivo. TabPFN-TS ha fatto affidamento più pesantemente sul flag festivo per domeniche/lunedì, mentre Chronos-2 ha inferito pattern settimanali dal carico passato.
- Temperatura: I modelli hanno correttamente identificato che l'aumento delle temperature (rispetto al giorno precedente) diminuisce il carico (ridotta domanda di riscaldamento), e viceversa.
- Irradianza: I modelli hanno reagito correttamente ai cali di irradiazione solare aumentando le previsioni di carico (tenendo conto della ridotta generazione fotovoltaica dietro il contatore).
Conclusione sulla Fiducia: Le spiegazioni SHAP si sono allineate perfettamente alla conoscenza consolidata del dominio, confermando che i modelli non stanno solo adattando il rumore ma stanno apprendendo relazioni fisiche.

5. Significato e Lavori Futuri

Fattibilità Operativa: Lo studio dimostra che i TSFM non sono solo accurati ma anche trasparenti. Possono servire come strumenti affidabili per gli operatori di rete senza la necessità di estesi ri-addestramenti o raccolta dati.
Conformità Normativa: La capacità di fornire spiegazioni esatte e teoricamente fondate affronta la barriera della "scatola nera", facilitando la conformità alle normative sull'IA nelle infrastrutture critiche.
Scalabilità: La strategia di mascheramento proposta è un approccio generalizzabile per spiegare qualsiasi TSFM che accetta contesti di input variabili.
Direzioni Future:
- Estensione del framework a previsioni probabilistiche e quantificazione dell'incertezza.
- Applicazione del metodo ad altri compiti energetici (prezzi, generazione rinnovabile).
- Indagine su come il fine-tuning influenzi i pattern di attribuzione delle caratteristiche.

In sintesi, questo documento colma il divario tra le elevate prestazioni dei modelli fondazione e i rigorosi requisiti di trasparenza del settore energetico, dimostrando che Chronos-2 e TabPFN-TS sono soluzioni valide, spiegabili ed efficienti per la previsione operativa del carico.