DP-GPT4MTS：用于文本-数值时间序列预测的双提示大语言模型
计算与语言
2025-08-07 v1
摘要
时间序列预测是跨多个行业至关重要的战略规划和决策工具。传统预测模型主要关注数值时间序列数据，常常忽视诸如事件和新闻等重要文本信息，这些信息对预测准确度具有显著影响。虽然大语言模型为整合多模态数据提供了前景，但现有的单提示框架难以有效捕获带时间戳文本的语义，引入冗余信息可能阻碍模型性能。为此，我们提出 DP-GPT4MTS (Dual-Prompt GPT2-base for Multimodal Time Series)，一种新型双提示大语言模型框架，结合两种互补提示：一种用于清晰的任务指令，另一种用于来自时间戳数据的上下文感知嵌入。分词器生成显式提示，而文本提示的嵌入通过自注意力和前馈网络进行精炼。在多样化的文本-数值时间序列数据集上进行的全面实验表明，该方法在时间序列预测中优于最先进的算法。这一结果突显了通过双提示机制整合文本上下文以实现更准确时间序列预测的重要性。
引用
@article{arxiv.2508.04239,
title = {DP-GPT4MTS: Dual-Prompt Large Language Model for Textual-Numerical Time Series Forecasting},
author = {Chanjuan Liu and Shengzhi Wang and Enqiang Zhu},
journal= {arXiv preprint arXiv:2508.04239},
year = {2025}
}