PromptCast：一种基于提示的时间序列预测新范式

本文提出一种关于时间序列预测的新视角。在现有时间序列预测方法中，模型以数值序列作为输入并输出数值。现有SOTA模型主要基于Transformer架构，并通过多种编码机制进行修改以融入历史数据周围的上下文与语义。受预训练语言基础模型成功的启发，我们提出一个问题：这些模型是否也能被改造以解决时间序列预测。为此，我们提出一种新的预测范式：基于提示的时间序列预测（PromptCast）。在这一新任务中，数值输入与输出被转化为提示，预测任务以句到句的方式构建，使得直接应用语言模型进行预测成为可能。为支持并推动该任务的研究，我们还提出一个大规模数据集（PISA），包含三种真实预测场景。我们评估了不同的SOTA数值预测方法与语言生成模型。在不同预测设定下的基准结果表明，所提出的结合语言生成模型的PromptCast是一个有前景的研究方向。此外，相较于传统数值预测，PromptCast在零样本设定下展现出远更好的泛化能力。