＜论文＞大模型也能做时间序列预测？

一、摘要

        本文介绍论文《Understanding Different Design Choices in Training Large Time Series Models》，这篇由多所大学成员合作的研究介绍了一种时间序列Prompt，用于提升大模型在时间序列预测任务中的性能。

译文：

        受大型语言模型（LLMs）的启发，时间序列预测（TSF），这一时间序列分析中的长期任务，正在向大型时间序列模型（LTSMs）转变，旨在训练基于Transformer的通用模型用于TSF。然而，在异质时间序列数据上训练LTSMs面临独特的挑战，包括数据集之间的频率、维度和模式的多样性。最近的研究探讨并评估了各种设计选择，旨在增强LTSM的训练和泛化能力，涵盖了预处理技术、模型配置和数据集配置。在这项工作中，我们全面分析了这些设计选择，并旨在确定训练LTSM的最佳实践。此外，我们提出了时间序列提示，这是一种针对时间序列数据的新颖统计提示策略。基于我们的分析观察，我们引入了LTSM-bundle，它捆绑了我们识别出的最佳设计选择。实证结果表明，LTSM-bundle在基准数据集上相比于最先进的LTSMs和传统的TSF方法，取得了更优的零样本和少样本性能。

二、核心创新点