Are Large Language Models Useful for Time Series Data Analysis?

本文是LLM系列文章，针对《Are Large Language Models Useful for Time Series Data Analysis?》的翻译。

摘要

时间序列数据在医疗保健、能源和金融等不同领域发挥着至关重要的作用，在这些领域，分类、异常检测和预测等任务对于明智的决策至关重要。最近，大型语言模型（LLM）因其处理复杂数据和提取有意义见解的能力而受到关注。本研究通过比较LLM与非LLM方法在三个任务（分类、异常检测和预测）中的性能，调查LLM是否对时间序列数据分析有效。通过使用GPT4TS Zhou等人[2023]和Liu等人[2024]的自回归模型进行的一系列实验，我们评估了它们在基准数据集上的性能，并评估了它们的准确性、精确度和泛化能力。我们的研究结果表明，尽管基于LLM的方法在异常检测等特定任务中表现出色，但在预测等其他任务中，它们的优势并不明显，因为更简单的模型有时表现相当或更好。本研究强调了LLM在时间序列分析中的作用，并为未来系统地探索其在处理时间数据方面的应用和局限性奠定了基础。

1 引言

2 方法

3 实验

4 结论和未来工作

4.1 结论

我们的初步研究结果表明，大型语言模型（LLMs）在时间序列分析中的作用与所有现有工作有显著不同。我们证明，LLMs可以有益于各种时间序列任务，包括分类、异常检测和预测。然而，LLM的使用必须根据具体的任务要求进行定制：

• 非自回归模型：最适合分类和异常检测任务，可以同时为整个输入序列生成预测。
• 自回归模型