探索基于大语言模型的时间序列模型中文本的有效性与可解释性
计算与语言
2025-04-15 v1
摘要
大型语言模型（LLMs）已被应用于时间序列预测任务中，借助预训练语言模型作为网络基础，并纳入文本数据以据称提升LLMs在时间序列方面的综合能力。然而，这些文本真的对解释有帮助吗？本研究旨在探讨此类文本 incorporations 的实际效果与可解释性。通过一系列关于文本提示和文本原型的实证实验，我们的发现表明，两种模态之间存在错位，文本信息在许多情况下并不显著提升时间序列预测性能。此外，可视化分析表明，现有框架在应用于时间序列数据时所学习的文本表征缺乏足够的可解释性。我们进一步提出了一种新型指标——语义匹配指数（SMI），以更好地评估时间序列与文本在后置可解释性调查中的匹配度。我们的分析揭示了当前时间序列LLMs中文本的错位和有限可解释性，我们希望本研究能提升对文本在时间序列中可解释性的意识。代码已公开于 https://github.com/zachysun/TS-Lang-Exp。
引用
@article{arxiv.2504.08808,
title = {Exploring the Effectiveness and Interpretability of Texts in LLM-based Time Series Models},
author = {Zhengke Sun and Hangwei Qian and Ivor Tsang},
journal= {arXiv preprint arXiv:2504.08808},
year = {2025}
}