LSTPrompt: Large Language Models as Zero-Shot Time Series Forecasters by Long-Short-Term Prompting

本文是LLM系列文章，针对《LSTPrompt: Large Language Models as Zero-Shot Time Series Forecasters by Long-Short-Term Prompting》的翻译。

摘要

时间序列预测（TSF）在现实世界中有着广泛的应用。提示脱离搁置的大型语言模型（LLM）展示了强大的零样本TSF功能，同时保持了计算效率。然而，现有的提示方法将TSF过于简化为语言下一个表征预测，忽略了其动态性质，并且缺乏与最先进的提示策略（如思想链）的集成。因此，我们提出了LSTPrompt，这是一种在零样本TSF任务中提示LLM的新方法。LSTPrompt将TSF分解为短期和长期预测子任务，并为每个任务定制提示。LSTPrompt指导LLM定期重新评估预测机制，以增强适应性。广泛的评估表明，LSTPrompt的性能始终优于现有的提示方法，并且与基础TSF模型相比，结果具有竞争力。

1 引言

2 方法

3 实验

4 结论

在本文中，我们介绍了LSTPrompt，这是一种通过提示LLM实现零样本TSF任务的新提示范式。LSTPrompt通过两个创新模块使LLM能够实现准确的零样本TSF任务：TimeDecomp，它将零样本TSF任务分解为一系列思想链子任务；TimeBreath，它鼓励LLM定期重新评估预测机制。大量实验验证了LSTPrompt的有效性，它始终优于SOTA prompt方法，并且总体上显示出