Presseinformation 051/2026

Forschende aus zwei Arbeitsgruppen des Instituts für Automation und Angewandte Informatik (IAI) des KIT haben eine neue Methode namens „SHAPformer“ entwickelt, mit der sich KI-gestützte Vorhersagen für Energiesysteme deutlich transparenter analysieren lassen.

In der Studie, die die Helmholtz-Gemeinschaft innerhalb von Helmholtz AI gefördert hat, stellt Tenure-Track-Professor Benjamin Schäfer, Leiter der Helmholtz-Nachwuchsgruppe Daten-getriebene Analyse komplexer Systeme (DRACOS), die neue Methode vor. Die Forschenden haben sie für Zeitreihenvorhersagen entwickelt – also für Prognosen auf Basis zeitlich aufeinanderfolgender Daten, beispielsweise von Stromverbrauch oder Strompreisen. Ziel ist es, KI-gestützte Vorhersagen möglichst präzise und nachvollziehbar zu machen.

Die Methode kombiniert Transformer-Modelle – bekannt aus modernen Sprachmodellen – mit Verfahren der erklärbaren Künstlichen Intelligenz („Explainable AI“). Der Name „SHAPformer“ verweist dabei auf die Verbindung von Transformer-Modellen mit SHAP-Methoden. Diese basieren auf Konzepten der Spieltheorie und machen sichtbar, welchen Einfluss einzelne Faktoren auf eine Vorhersage haben. Dazu zählen etwa Temperaturen, Feiertage, Windprognosen oder frühere Verbrauchsdaten.

Doktorand Matthias Hertel, Erstautor der Studie, stellt als Besonderheit des Ansatzes vor, dass die Erklärbarkeit direkt in den Trainingsprozess integriert wird und somit die Genauigkeit der Vorhersagen so erhalten bleibt, während die Effizienz der Analyse steigt.

Originalpublikation
Matthias Hertel, Sebastian Pütz, Ralf Mikut, Veit Hagenmeyer & Benjamin Schäfer: Explainable time-series forecasting with sampling-free SHAP for Transformers. Nature Communications, 2026. DOI 10.1038/s41467-026-73243-5

Presseinformation 051/2026