ChatTime：桥接数值与文本数据的统一多模态时间序列基础模型

人类专家通常整合数值和文本多模态信息来分析时间序列。然而，大多数传统的深度学习预测器仅依赖单模态数值数据，使用固定长度窗口在单个数据集上进行训练和预测，无法适应不同的场景。强大的预训练大型语言模型为时间序列分析引入了新的机遇。然而，现有的方法要么训练效率低下，要么无法处理文本信息，或者缺乏零样本预测能力。在本文中，我们创新性地将时间序列建模为一种外语，并构建了 ChatTime，一个用于时间序列和文本处理的统一框架。作为一个开箱即用的多模态时间序列基础模型，ChatTime 提供了零样本预测能力，并支持时间序列和文本的双模态输入/输出。我们设计了一系列实验来验证 ChatTime 在多个任务和场景中的优越性能，并创建了四个多模态数据集以填补数据空白。实验结果证明了 ChatTime 的潜力和实用性。