Augur：通过大语言模型建模时间序列中的协变量因果关联
人工智能
2025-11-27 v2 机器学习
摘要
大语言模型（LLM）已成为时间序列预测的有前景的方向，具有将多模态数据集成为模型的潜力。然而，现有的 LLM-based 方法面临诸多局限性——例如在模型架构中的支配性作用有限、依赖粗糙的统计文本提示，以及缺乏可解释性。本文我们引入 Augur，一个完全由 LLM 驱动的时间序列预测框架，通过 LLM 因果推理发现并利用协变量之间的定向因果关联。Augur 使用两阶段教师学生体系结构，其中强大的教师 LLM 通过启发式搜索结合成对因果性测试，从时间序列推断出定向因果图。随后，一个轻量级学生智能体会细化该图，并针对编码为丰富文本提示的高置信度因果关联进行微调，以完成预测。该设计在提高预测精度的同时，能够yield透明、可追溯的变量相互作用推理。对 26 个基线方法进行的大规模实验表明，Augur 在实际数据集上实现了具竞争力的性能和稳健的零样例推理。
引用
@article{arxiv.2510.07858,
title = {Augur: Modeling Covariate Causal Associations in Time Series via Large Language Models},
author = {Zhiqing Cui and Binwu Wang and Qingxiang Liu and Yeqiang Wang and Zhengyang Zhou and Yuxuan Liang and Yang Wang},
journal= {arXiv preprint arXiv:2510.07858},
year = {2025}
}
备注
24 pages, 9 figures