MAP4TS：面向时间序列预测的多维度提示框架
计算与语言
2026-05-22 v2
摘要
近期的研究探索了将预训练的大型语言模型（LLM）用于时间序列预测，通过将数值输入与LLM嵌入空间对齐。然而，现有的多模态方法往往忽视了时间序列数据中固有的独特统计属性和时序依赖性。为弥合这一差距，我们提出MAP4TS，一种 novel 多维度提示框架，显式地将经典时间序列分析纳入提示设计中。我们的框架引入四个专门的提示组件：Global Domain Prompt 传递数据集级别的上下文，Local Domain Prompt 编码最近的趋势和序列特定的行为，以及 Statistical 和 Temporal Prompts 嵌入来自自相关（ACF）、偏自相关（PACF）和傅里叶分析的手工洞见。多维度提示与原始时间序列嵌入结合，并通过跨模态对齐模块生成统一的表示，随后由 LLM 处理并进行投影以完成最终预测。在八个多样化数据集上的大量实验表明，MAP4TS 在所有方面都一致优于基于 LLM 的最先进方法。我们的消融研究进一步表明，基于提示的设计显著提升了性能稳定性，而 GPT-2 backbone 在结构化提示配合下，优于 LLaMA 等更大模型在长期预测任务中的表现。
引用
@article{arxiv.2510.23090,
title = {MAP4TS: A Multi-Aspect Prompting Framework for Time-Series Forecasting with Large Language Models},
author = {Suchan Lee and Jihoon Choi and Sohyeon Lee and Minseok Song and Bong-Gyu Jang and Hwanjo Yu and Soyeon Caren Han},
journal= {arXiv preprint arXiv:2510.23090},
year = {2026}
}
备注
There is a error in modeling. Thereafter, paper will be revised and re-uploaded