慢思考 LLM 能否进行跨时间推理？时间序列预测的实证研究
机器学习
2025-12-23 v4 人工智能
摘要
时间序列预测（TSF）是一项基础且被广泛研究的任务，其方法涵盖从经典统计方法到现代深度学习和多模态语言建模。尽管这些方法行之有效，但它们通常遵循快思考范式，侧重于模式提取和直接数值映射，而忽略了对时间动态和上下文依赖的显式推理。与此同时，新兴的慢思考 LLM（如 ChatGPT-o1、DeepSeek-R1）在各个领域展现出了令人印象深刻的多步推理能力，这为将 TSF 重新构建为结构化推理任务提供了新契机。这引出了一个关键问题：慢思考 LLM 能否有效地对时间模式进行推理以支持时间序列预测，甚至以零样本方式进行？为了研究这一问题，本文提出了 TimeReasoner，一项将 TSF 构建为条件推理任务的大规模实证研究。我们设计了一系列提示策略，以从预训练的慢思考 LLM 中引出推理时推理，并在多样化的 TSF 基准上评估其性能。我们的发现表明，慢思考 LLM 表现出非平凡的零样本预测能力，尤其是在捕捉高层趋势和上下文变化方面。尽管尚属初步研究，本研究揭示了对 LLM 在时间领域推理行为的重要见解，突显了其潜力与局限性。我们希望这项工作能催化对基于推理的预测范式的进一步研究，并为更具可解释性和泛化能力的 TSF 框架铺平道路。
引用
@article{arxiv.2505.24511,
title = {Can Slow-thinking LLMs Reason Over Time? Empirical Studies in Time Series Forecasting},
author = {Mingyue Cheng and Jiahao Wang and Daoyu Wang and Xiaoyu Tao and Qi Liu and Enhong Chen},
journal= {arXiv preprint arXiv:2505.24511},
year = {2025}
}