LoFT-LLM：基于大语言模型的低频时间序列预测
机器学习
2026-01-14 v3
摘要
在金融、能源等实际应用中，时间序列预测常因训练数据有限以及复杂且噪声较大的时序动力学面临挑战。现有的深度预测模型通常使用完整的长度时序窗口进行监督预测，该窗口包含大量高频噪声，掩盖了长期趋势。此外，包含丰富领域特定信息的辅助变量往往在少样本场景下被低估。为解决上述问题，本文提出了 LoFT-LLM—a 集成低频学习与语义校准的频率感知预测管道，基于大语言模型（LLM）。首先，采用补丁低频预测模块（PLFM）从局部谱补丁中提取稳定的低频趋势；随后，残差学习器建模高频变化；最后，利用结构化自然语言提示，通过微调的 LLM 融合辅助上下文和领域知识，对预测结果进行校准。在金融和能源数据集上进行的广泛实验表明，在全数据和少样本情景下，LoFT-LLM 均显著优于强基准，在准确率、鲁棒性和可解释性方面均表现出色。
引用
@article{arxiv.2512.20002,
title = {LoFT-LLM: Low-Frequency Time-Series Forecasting with Large Language Models},
author = {Jiacheng You and Jingcheng Yang and Yuhang Xie and Zhongxuan Wu and Xiucheng Li and Feng Li and Pengjie Wang and Jian Xu and Bo Zheng and Xinyang Chen},
journal= {arXiv preprint arXiv:2512.20002},
year = {2026}
}
备注
This submission is withdrawn due to internal review and compliance considerations