重新思考LLM在时间序列预测中的作用
计算与语言
2026-03-04 v2
摘要
大型语言模型(LLM)被引入时间序列预测(TSF)以融合数值信号之外的上下文知识。然而，现有研究质疑LLM是否提供真正的益处，常报告在不使用LLM时获得相当的性能。我们表明，这些结论源于有限的评估设置，在规模化后不成立。我们对LLM-based TSF(LLM4TSF)进行大规模研究，涵盖80亿观测、17种预测场景、4个预测时域、多种对齐策略以及域内和域外设置。我们的结果表明，LLM4TSF确实改进了预测性能，尤其在跨域泛化方面获得显著提升。在超过90%的任务中，预对齐优于后对齐。预训练知识和LLM的模型架构都发挥作用且互为补充：在分布转移下，预训练至关重要；而在建模复杂的时间动态方面，模型架构卓越。此外，在大规模混合分布下，完整的LLM不可或缺，正如token级路由分析和基于提示的改进所证明的。总体而言，我们的发现推翻了先前的负面评估，明确了LLM在特定条件下不仅有用且必不可少的条件，并为有效模型设计提供了实用指导。我们在https://github.com/EIT-NLP/LLM4TSF上发布了代码。
关键词
引用
@article{arxiv.2602.14744,
title = {Rethinking the Role of LLMs in Time Series Forecasting},
author = {Xin Qiu and Junlong Tong and Yirong Sun and Yunpu Ma and Wei Zhang and Xiaoyu Shen},
journal= {arXiv preprint arXiv:2602.14744},
year = {2026}
}