一图胜千数：通过可视化实现大语言模型的时间序列推理
机器学习
2025-04-28 v2 人工智能
摘要
大语言模型（LLM）在多个领域展现出鲜明的推理能力，但在时间序列推理（TsR）方面的应用仍鲜有探索，而该任务在现实世界中十分常见。本文提出了 TimerBed，即首个用于评估大语言模型 TsR 性能的综合性测试基准。具体而言，TimerBed 包含分层推理模式、真实世界任务、多种大语言模型与推理策略的组合，以及 various 监督模型作为比较基准。我们在 TimerBed 上进行大量实验，检验了多个当前信念，验证了大语言模型在 TsR 中初期失败的事实，这体现在零样本学习（ZST）无效以及少数样本情境学习（ICL）性能下降。进一步地，我们识别出一个可能的根本原因：数据的数值建模方式。为此，我们提出了基于提示词的解决方案 VL-Time，使用可视化建模的数据和语言引导的推理。实验结果表明，VL-Time 使多模态大语言模型能够在 TsR 上实现非平凡的 ZST 和强大的 ICL 推理，平均性能提升约 140%，平均 token 成本降低 99%。
关键词
引用
@article{arxiv.2411.06018,
title = {A Picture is Worth A Thousand Numbers: Enabling LLMs Reason about Time Series via Visualization},
author = {Haoxin Liu and Chenghao Liu and B. Aditya Prakash},
journal= {arXiv preprint arXiv:2411.06018},
year = {2025}
}