LSTPrompt：通过长短期提示将大语言模型作为零样本时间序列预测器
计算与语言
2024-02-27 v1 人工智能
摘要
时间序列预测 (TSF) 在现实世界场景中有着广泛的应用。利用现成的大语言模型 (LLMs) 进行提示 (prompting) 展现了强大的零样本 TSF 能力，同时保持了计算效率。然而，现有的提示方法将 TSF 过度简化为语言下一个 token 预测，忽略了其动态特性，且缺乏与思维链 (Chain-of-Thought) 等最先进提示策略的整合。因此，我们提出了 LSTPrompt，一种用于零样本 TSF 任务中提示 LLMs 的新方法。LSTPrompt 将 TSF 分解为短期和长期预测子任务，并为每个子任务定制提示。LSTPrompt 引导 LLMs 定期重新评估预测机制以增强适应性。广泛的评估表明，LSTPrompt 的性能始终优于现有的提示方法，并与基础 TSF 模型相比取得了具有竞争力的结果。
引用
@article{arxiv.2402.16132,
title = {LSTPrompt: Large Language Models as Zero-Shot Time Series Forecasters by Long-Short-Term Prompting},
author = {Haoxin Liu and Zhiyuan Zhao and Jindong Wang and Harshavardhan Kamarthi and B. Aditya Prakash},
journal= {arXiv preprint arXiv:2402.16132},
year = {2024}
}
备注
9 pages, 4 figures, 3 tables, 2 page references, 2 page appendix