arXiv cs.AI· Robbie Southam, Zhong Fan, Ke Li·· 13 小时前AI 评分18
用 GradientSHAP 实现多步多变量时间序列可解释性：风电预测案例研究
Multistep and Multivariate Time Series Explainability with GradientSHAP: A Wind Power Case Study
AI 导读
一项研究将 GradientSHAP 适配到多变量、多步风电功率预测场景，据称是首个把 GradientSHAP 用于风电预测的工作，并为此开发了可同时给出局部与全局解释的新型可视化。研究指出 GradientSHAP 并非开箱即用，需结合对 SHAP 值的细致处理和领域知识才能解读模型行为，其复杂度仍给实际部署带来挑战。
正文 · AI 翻译
摘要：随着气候变化的影响日益明显，对风能等可再生能源的需求持续增长。然而，可再生能源的波动性和间歇性给其并入电网带来了重大挑战。人工智能（AI）已成为应对这些问题的强大工具。尽管如此，其在能源领域的应用仍因许多 AI 模型的不透明性而受阻，这些模型往往如同黑箱一般运作。本文引入了一种经过精心调整的 GradientSHAP 方法，为多变量、多步风电预测提供可解释性——这是一个在很大程度上尚未被充分探索的领域。这一能力对于日前电网管理至关重要，据我们所知，这是首个将 GradientSHAP 应用于风电预测情境的研究。为应对固有的高维性，我们开发了新颖的可视化方法，可提供局部和全局解释，揭示环境因素、场址特定条件与时间动态之间的复杂关系。虽然 GradientSHAP 并非开箱即用的解决方案，但我们的研究结果表明，通过对 SHAP 值进行细致处理并结合领域专业知识，它可以为模型行为提供有价值的洞见，支持更明智、更可信的决策。然而，其复杂性给实际实施带来了挑战。未来的研究应聚焦于简化这些可解释性方法，使其更易于在关键能源应用中常规部署。
| 评论： | 24 页。投稿至 Computational Intelligence |
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 报告编号： | COIN-OA-01-25-10649 |
| 引用为： | arXiv:2610.40330 [cs.AI] |
| （或 arXiv:2610.40330v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.40330 arXiv 颁发的 DOI（通过 DataCite） |
提交历史
来自：Robbie Southam 先生 [查看电子邮件]
[v1]
2026 年 10 月 29 日星期四 15:57:13 UTC（22,177 KB）
来源：arXiv cs.AI · arxiv.org