- 博客(12)
- 收藏
- 关注
RSS订阅原创 QuiZSF：面向零样本时间序列预测的高效数据模型交互框架
在流数据支撑各类应用的场景中，时间序列预测的重要性日益凸显。零样本时间序列预测（ZSF）在数据稀缺场景（如跨域迁移或极端条件下的预测）中具有极高价值，但传统模型难以应对这类场景。尽管时序预训练模型（TSPMs）在ZSF中展现出优异性能，但它们往往缺乏动态整合外部知识的机制。幸运的是，新兴的检索增强生成（RAG）技术为按需注入此类知识提供了可行途径，但RAG与TSPMs的融合仍较为罕见。为充分发挥两者优势，我们将RAG引入TSPMs，以提升零样本时间序列预测性能。
2025-11-07 18:11:30
1061
原创 DualSG：双流显式语义引导的多变量时间序列预测框架
多变量时间序列预测在诸多应用中发挥着关键作用。近年来，已有研究探索将大型语言模型（LLMs）应用于多变量时间序列预测，以利用其推理能力。然而，许多方法将大型语言模型视为端到端预测器，这往往会导致数值精度损失，且迫使大型语言模型处理超出其设计初衷的模式。另一种思路是尝试在潜在空间中对齐文本模态与时间序列模态，但这类方法常面临对齐困难的问题。在本文中，我们提出不将大型语言模型视为独立预测器，而是将其作为双流框架中的语义引导模块。
2025-11-07 17:51:37
1311
原创 融合大型语言模型和时间Transformer的时间序列预测
近年来，大型语言模型（LLMs）已在各类任务中展现出强大能力，因此近期研究将其应用于时间序列预测（TSF）任务——即利用给定的历史时间序列预测未来数值。现有的基于大型语言模型的方法，通过提示学习（prompting）或微调（finetuning）策略，将从文本数据中学习到的知识迁移到时间序列预测任务中。然而，大型语言模型擅长对离散 tokens（符号）和语义模式进行推理，但最初并非为建模连续数值型时间序列数据而设计。
2025-11-05 19:07:50
963
原创 xPatch：基于季节趋势指数分解的双流时间序列预测
近年来，基于 Transformer 的模型在时间序列预测中的应用受到了广泛关注。尽管这类模型常展现出良好的效果，但 Transformer 架构因其注意力机制，在充分利用时间序列数据中的时序关系方面面临挑战。本研究中，我们设计了 eXponential Patch（简称 xPatch）—— 一种采用指数分解的新型双流架构。受经典指数平滑方法的启发，xPatch 引入了创新性的季节 - 趋势指数分解模块。
2025-11-05 19:06:49
1369
原创 Time-VLM：探索用于增强时间序列预测的多模态视觉语言模型
摘要：近年来，时间序列预测领域的研究探索通过文本或视觉模态增强模型，以提升预测精度。文本模态虽能提供上下文理解，但往往缺乏细粒度的时间细节；与之相反，视觉模态可捕捉复杂的时间模式，却缺少语义上下文，这限制了两种模态的互补潜力。为解决这一问题，我们提出了Time-VLM——一种新型多模态框架。该框架利用预训练视觉-语言模型（VLMs）搭建时间、视觉与文本模态间的桥梁，以实现更优的预测效果。框架包含三个核心组件：（1）（Retrieval-Augmented Learner），通过记忆库交互提取丰富的时间特征。
2025-11-04 10:36:40
1694
原创 LLM-PS：基于时序模式与语义增强的大语言模型时间序列预测框架
现有方法聚焦“时序-文本对齐”或“单一模式提取”，但未系统解决时序数据的双核心特性模式层面：需同时捕捉短周期波动（如小时级用电峰谷）与长期趋势（如季节性能源消耗）；语义层面：需将连续时序区间转化为LLM可理解的语义（如“早8-10点功率持续上升”）。
2025-11-04 09:54:02
911
原创 T3Time：自适应多头对齐和残差融合的三模态时间序列预测
多元时间序列预测（MTSF）旨在对变量间的时间动态进行建模，以预测未来趋势。基于Transformer的模型和大语言模型（LLMs）因。
2025-11-03 21:52:53
1120
原创 M2WLLM：基于大语言模型的多模态多任务超短期风电预测算法
风能并入电网需要准确的超短期风电预测，以确保电网稳定性和优化资源配置。本研究引入了 M2WLLM，这是一种创新模型，它利用大型语言模型 （LLM）的功能以粒度时间间隔预测风电输出。M2WLLM 通过无缝集成文本信息和时间数值数据，克服了传统和深度学习方法的局限性，通过多模态数据显着提高了风电预测的准确性。其架构具有。
2025-11-03 20:30:08
983
1
原创 基于Transformer 的中文情感分析
本文介绍了使用Transformer模型进行中文情感分析的全流程实现。首先从GitHub获取数据集和停用词表，完成环境配置和依赖安装。然后详细解析了Transformer模型结构，包括输入处理、位置编码、编码器/解码器机制等核心组件。接着展示了自定义Transformer组件的代码实现，如多头注意力模块、位置前馈网络等。在数据预处理环节，通过jieba分词和停用词过滤进行文本清洗。最后给出了模型训练、评估的主函数实现，包括早停机制和性能指标计算。
2025-09-06 13:57:30
656
原创 使用LLaMA-Factory对Qwen微调
本文介绍了使用LLaMA-Factory进行大模型预训练和微调的方法。预训练让模型学习通用能力，微调则适配具体任务。主要内容包括：1）环境搭建，安装CUDA和LLaMA-Factory；2）数据集准备，将文档转化为alpaca格式JSON；3）可视化微调参数配置，包括模型路径、微调方法（如Lora）、量化等级等；4）训练参数设置，如学习率、批次大小等；5）模型训练和导出。文章详细说明了各步骤的关键参数和注意事项，为初学者提供了完整的大模型微调指南。
2025-09-04 12:10:33
1465
原创 云服务器部署Qwen3
本文介绍了在Linux服务器上部署Qwen3-8B大语言模型的完整流程：1）创建Python虚拟环境并安装必要的依赖包；2）从魔搭社区下载模型文件；3）使用vllm启动API服务；4）编写测试脚本验证模型运行效果，包括加载tokenizer、处理输入提示、生成文本输出等关键步骤。测试结果显示模型能正确返回思考内容和最终回答内容，表明部署成功。
2025-09-02 18:24:08
433
原创 Dify接入通义千问API Key时出现Invalid API-key provided.
摘要：在Dify平台添加通义千问模型时遇到API Key无效问题，可能是由于最新版本不兼容所致。解决方案是：进入插件市场，选择通义千问的历史版本，安装较稳定的旧版本即可解决兼容性问题。
2025-08-04 20:12:03
3521
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人