从时间序列分析到问答：LLM时代的一项综述
机器学习
2026-05-11 v2 人工智能
摘要
最近，大语言模型（LLMs）引入了时间序列分析（TSA）的新范式，利用强大的语言能力支持预测和异常检测等任务。然而，这些分析任务无法充分覆盖时间语言任务，如解释和描述。TSA与LLMs之间存在一个基本差距：LLMs预训练优化的是问答的自然语言相关性，而非专门针对TSA的目标。为弥合这一差距，TSA正朝着时间序列问答（TSQA）演进，从专家驱动和任务特定的分析转向用户驱动和任务统一的问答。TSQA依赖于灵活探索而非预定义的TSA流水线。在本综述中，我们首先提出一个反映从TSA到TSQA演化的分类法，该分类法由从外部对齐到内部对齐的转变驱动。然后，我们将现有文献组织为三种对齐范式：单射对齐、桥接对齐和内对齐，并为灵活、经济且可泛化的对齐范式选择提供实践指导。最后，我们跨领域和跨特征分析了数据集，识别了挑战，并突出了未来研究方向。
引用
@article{arxiv.2506.11512,
title = {From Time Series Analysis to Question Answering: A Survey in the LLM Era},
author = {Wei Li and Zhe Xie and Yuxuan Liang and Xinli Hao and Yunyao Cheng and Dan Pei and Xiaofeng Meng},
journal= {arXiv preprint arXiv:2506.11512},
year = {2026}
}
备注
Accepted by IJCAI 2026 Survey Track