大语言模型跨模态时间序列分析：概述与展望
机器学习
2025-07-16 v1 人工智能
摘要
大语言模型(LLM)作为时间序列分析的新兴范式，凭借庞大的参数量以及文本数据和时间序列数据共享的序列本质，展现出巨大的潜力。然而，在时间序列与文本数据之间存在跨模态差距，因为LLM是在文本语料库上预训练的，未必针对时间序列进行优化。本教程提供了LLM基于跨模态时间序列分析的最新概述。我们引入一种分类法，将现有方法分为基于跨模态建模策略的三组，如转换、对齐和融合，然后讨论这些方法在广泛的下游任务中的应用。此外，我们总结了几个开放性挑战。本教程旨在扩大LLM在解决跨模态时间序列分析中的实际问题时的实际应用，同时在有效性和效率之间取得平衡。参与者将全面了解当前的进展、方法学及未来研究方向。
引用
@article{arxiv.2507.10620,
title = {LLMs Meet Cross-Modal Time Series Analytics: Overview and Directions},
author = {Chenxi Liu and Hao Miao and Cheng Long and Yan Zhao and Ziyue Li and Panos Kalnis},
journal= {arXiv preprint arXiv:2507.10620},
year = {2025}
}
备注
Accepted at SSTD 2025 (Tutorial). arXiv admin note: text overlap with arXiv:2505.02583