TIME-LLM: TIME SERIES FORECASTING BY REPROGRAMMING LARGE LANGUAGE MODELS

最新推荐文章于 2025-06-29 09:03:16 发布

UnknownBody

最新推荐文章于 2025-06-29 09:03:16 发布

阅读量1.5k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： Time series 文章标签：语言模型人工智能深度学习

本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/133695075

LLM 日更同时被 2 个专栏收录

828 篇文章

已下架不支持订阅

Time series

17 篇文章

订阅专栏

TIME-LLM提出了一种重编程大型语言模型以进行时间序列预测的方法，通过文本原型转换输入序列并利用提示增强LLM的推理能力。在多项评估中，该框架表现优于专业预测模型，且在few-shot和zero-shot学习中展现出潜力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文是LLM系列文章，针对《TIME-LLM: TIME SERIES FORECASTING BY REPROGRAMMING LARGE LANGUAGE MODELS》的翻译。

摘要

时间序列预测在许多现实世界的动态系统中具有重要意义，并得到了广泛的研究。与自然语言处理(NLP)和计算机视觉(CV)不同，单个大型模型可以处理多个任务，时间序列预测模型通常是专门的，需要针对不同的任务和应用进行不同的设计。虽然预训练的基础模型在NLP和CV领域取得了令人印象深刻的进步，但它们在时间序列领域的发展受到数据稀疏性的限制。最近的研究表明，大型语言模型(llm)对复杂的符号序列具有强大的模式识别和推理能力。然而，挑战仍然存在，如何有效地将时间序列数据和自然语言的模式结合起来，以利用这些功能。在这项工作中，我们提出了time - llm，这是一个重编程框架，可以在主干语言模型保持完整的情况下，将llm重新用于一般时间序列预测。我们首先用文本原型重新编程输入时间序列，然后将其输入到冻结的LLM中以对齐两种模式。为了增强LLM对时间序列数据进行推理的能力，我们提出了提示作为前缀(PaP)，它丰富了输入上下文并指导了重编程输入补丁的转换。最后对LLM变换后的时间序列补丁进行投影，得到预测结果。我们的综合评估表明time - llm是一个强大的时间序列学习器，优于最先进的专业预测模型。此外，TIME-LLM在few-shot和zero-shot学习场景中都表现出色。