Time-Prompt：解锁 LLM 用于时间序列预测的集成异构提示
机器学习
2026-05-21 v4 人工智能
摘要
时间序列预测旨在对变量间的时序依赖关系进行建模以推断未来状态，在现实场景中具有重要性和广泛的应用。尽管基于深度学习的方法取得了显著进展，但它们在长期预测中仍表现出次优的性能。最近的研究表明，大型语言模型（LLM）在时间序列预测中取得了有前景的性能，但这一进展仍伴随着对 LLM 是否真正适用于此任务的质疑。为了解决这个问题，我们提出了 Time-Prompt，一个用于激活 LLM 进行时间序列预测的框架。具体而言，我们首先构建了一个统一的提示范式，包含可学习的软提示以引导 LLM 的行为，以及文本化的硬提示以增强时间序列表示。其次，为了增强 LLM 对预测任务的全面理解，我们设计了一个语义空间嵌入和跨模态对齐模块，以实现时间数据与文本数据的融合。最后，我们利用时间序列数据高效地微调 LLM 的参数。此外，我们关注碳排放，旨在为全球碳中和做出微薄贡献。在 6 个公共数据集和 3 个碳排放数据集上的综合评估表明，Time-Prompt 是一个用于时间序列预测的强大框架。
引用
@article{arxiv.2506.17631,
title = {Time-Prompt: Integrated Heterogeneous Prompts for Unlocking LLMs in Time Series Forecasting},
author = {Zesen Wang and Lijuan Lan and Yonggang Li},
journal= {arXiv preprint arXiv:2506.17631},
year = {2026}
}
备注
Accepted at IJCNN 2026