공변량 기반 시계열 기초 모델과 함께한 설명 가능한 부하 예측
요약
본 논문은 시계열 기초 모델(TSFMs)의 높은 잠재력을 인정하면서도, 전력 그리드와 같은 핵심 인프라 적용에 필수적인 투명성 문제를 해결하는 방법을 제시합니다. 연구진은 TSFMs의 유연성을 활용하여 공변량 기반의 SHAP(Shapley Additive Explanations) 계산 알고리즘을 제안했습니다. 이 접근법은 시간적 및 공변량 마스킹을 통해 모델 예측에 대한 확장 가능한 설명을 제공하며, 실제 전력 부하 예측 작업에서 높은 성능과 도메인 지식과의 일치성을 입증하여 TSFMs의 신뢰성 있는 활용 가능성을 보여줍니다.
핵심 포인트
- TSFMs는 에너지 시스템 응용 분야에서 강력한 범용 예측 모델로 주목받고 있으나, 핵심 인프라 적용을 위해 투명성이 필수적이다.
- 제안된 방법은 TSFMs의 유연성을 활용하여 공변량 기반의 SHAP 계산 알고리즘을 개발함으로써 설명 가능성(Explainability)을 높인다.
- 이 접근법은 시간적 및 공변량 마스킹을 통해 모델 예측에 대한 확장 가능한 설명을 제공한다.
- 실제 전력 부하 예측 작업에서 TSFMs는 제로샷 설정으로도 경쟁력 있는 성능을 달성했으며, 설명 결과가 도메인 지식과 일치함을 입증했다.
시계열 기초 모델 (Time Series Foundation Models, TSFMs) 은 최근 범용 예측 모델로 등장하여 에너지 시스템 응용 분야에서 상당한 잠재력을 보이고 있습니다. 그러나 전력 그리드와 같은 핵심 인프라에서의 적용은 신뢰성과 안정성을 보장하기 위해 투명성이 필요하며, 순수 블랙박스 모델에 의존할 수 없습니다. TSFMs 의 투명성을 향상시키기 위해 이러한 모델에 맞춘 Shapley Additive Explanations (SHAP) 을 계산하는 효율적인 알고리즘을 제안합니다. 제안된 접근법은 TSFMs 이 입력 컨텍스트 길이와 제공된 공변량 (covariates) 에 대한 유연성을 활용합니다. 이 속성은 효율적인 시간적 및 공변량 마스킹 (선택적 입력 은폐) 을 가능하게 하여, SHAP 를 사용하여 모델 예측에 대한 확장 가능한 설명을 제공합니다. 우리는 전송 시스템 운영자 (TSO) 의 일일 부하 예측 작업에 대해 Chronos-2 와 TabPFN-TS 라는 두 가지 TSFMs 을 평가했습니다. 제로샷 (zero-shot) 설정에서 두 모델 모두 TSO 데이터 여러 년에 특화되어 훈련된 Transformer 모델과 경쟁력 있는 예측 성능을 달성했습니다. 제안된 접근법을 통해 얻은 설명은 확립된 도메인 지식과 일치하며, 특히 TSFMs 이 부하 예측에 날씨 및 캘린더 정보를 적절히 사용할 때 그러합니다. 전반적으로 우리는 TSFMs 이 운영 에너지 예측을 위한 투명하고 신뢰할 수 있는 도구로 기능할 수 있음을 입증했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기