连续性与序数性：针对大语言模型时间序列分析的时间序列标记约束
机器学习
2026-05-29 v1 人工智能
摘要
基于标记的时间序列大语言模型（TS-LLMs）已成为时间序列分析与推理的有前景方向。然而，先前研究在很大程度上忽略了时间序列标记固有的连续性和序数性，这在显著限制模型性能。本文我们认为，在时间序列标记嵌入中保留这些属性对于基于标记的 TS-LLMs 的有效性至关重要。为此，我们提出了COM（Continuity and Ordinality Matter），一种连续性和序数性感知的策略，将几何约束整合到初始化和训练阶段。在多个时间序列分析基准上的实验结果表明，COM 在基于标记的 TS-LLMs 上 consistently 提供性能提升，达到具有竞争力的结果和强大的通用性。代码可在 https://anonymous.4open.science/r/COM 获取。
引用
@article{arxiv.2605.28866,
title = {Continuity and Ordinality Matter: Constraining Time Series Tokens for Effective Time Series Analysis with Large Language Models},
author = {Musheng Li and Ziying Zhang and Cheng jin and Yuantao Gu},
journal= {arXiv preprint arXiv:2605.28866},
year = {2026}
}