基于分块提示与分解的时间序列预测方法（利用大语言模型）
机器学习
2025-06-17 v1 人工智能
计算与语言
摘要
大语言模型（LLMs）的最新进展展示了用于准确高效时间序列分析的新可能性，但先前工作通常需要大量微调和/或忽略了序列间相关性。在本工作中，我们探索了简单灵活的基于提示的策略，使 LLMs 能够在无需大量重新训练或使用复杂外部架构的情况下进行时间序列预测。通过探索利用时间序列分解、分块标记化和基于相似度的邻居增强等专门提示方法，我们发现可以在保持简洁性和最少数据预处理的同时提升 LLM 预测质量。为此，我们提出了我们自己的方法 PatchInstruct，使 LLMs 能够做出精确有效的预测。
引用
@article{arxiv.2506.12953,
title = {Forecasting Time Series with LLMs via Patch-Based Prompting and Decomposition},
author = {Mayank Bumb and Anshul Vemulapalli and Sri Harsha Vardhan Prasad Jella and Anish Gupta and An La and Ryan A. Rossi and Hongjie Chen and Franck Dernoncourt and Nesreen K. Ahmed and Yu Wang},
journal= {arXiv preprint arXiv:2506.12953},
year = {2025}
}