利用大型语言模型赋能时间序列分析：一项综述
机器学习
2024-02-06 v1
摘要
近年来，大型语言模型 (LLMs) 取得了显著进展，展示了其在各种自然语言任务中前所未有的能力。然而，由于时间序列数据体量大、种类多，以及导致概念漂移的非平稳性阻碍了模型的持续适应和再训练，从头开始完全训练一个大型通用模型对于时间序列分析而言具有挑战性。近期进展表明，可以利用预训练的 LLM 来捕获时间序列数据中的复杂依赖关系并促进各种应用。在本综述中，我们对利用 LLM 进行时间序列分析的现有方法进行了系统概述。具体来说，我们首先阐述了在时间序列背景下应用语言模型的挑战和动机，以及 LLM 的简要预备知识。接着，我们总结了基于 LLM 的时间序列分析的一般流程，将现有方法分为不同类别（即直接查询、分词、提示设计、微调和模型集成），并突出了每个类别中的关键思想。我们还讨论了 LLM 在通用和时空时间序列数据中的应用，这些应用针对特定领域进行了定制。最后，我们深入探讨了用 LLM 赋能时间序列分析的未来研究机会。
引用
@article{arxiv.2402.03182,
title = {Empowering Time Series Analysis with Large Language Models: A Survey},
author = {Yushan Jiang and Zijie Pan and Xikun Zhang and Sahil Garg and Anderson Schneider and Yuriy Nevmyvaka and Dongjin Song},
journal= {arXiv preprint arXiv:2402.03182},
year = {2024}
}