用于时间序列分析的大型语言模型：技术、应用与挑战
机器学习
2025-06-16 v1 计算与语言
新兴技术
摘要
时间序列分析在金融预测和生物医学监测等领域至关重要，但传统方法受限于非线性特征表示与长期依赖捕获能力。大型语言模型（LLM）的出现通过利用其跨模态知识整合与固有的注意力机制进行时间序列分析，提供了变革性潜力。然而，从头开发用于时间序列的通用 LLM 仍受数据多样性、标注稀缺和计算需求的阻碍。本文对预训练 LLM 驱动的时间序列分析进行了系统综述，聚焦于使能技术、潜在应用与开放挑战。首先，建立了人工智能驱动的时间序列分析的演进路线图，从早期机器学习时代，经由新兴的 LLM 驱动范式，直至原生时间基础模型的开发。其次，从工作流视角组织并系统化了 LLM 驱动的时间序列分析的技术全景，涵盖 LLM 的输入、优化与轻量化阶段。最后，批判性地考察了新颖的实际应用，并强调了可指导未来研究与创新的关键开放挑战。本工作不仅对当前进展提供了有价值的见解，还概述了未来发展的有前景方向。它为学术界与工业界研究人员提供了基础性参考，为开发更高效、更泛化且更具可解释性的 LLM 驱动时间序列分析系统铺平了道路。
引用
@article{arxiv.2506.11040,
title = {Large Language models for Time Series Analysis: Techniques, Applications, and Challenges},
author = {Feifei Shi and Xueyan Yin and Kang Wang and Wanyu Tu and Qifu Sun and Huansheng Ning},
journal= {arXiv preprint arXiv:2506.11040},
year = {2025}
}