面向时间序列分析的跨模态建模：大语言模型时代的综述

边缘设备的激增在各个领域产生了空前体量的时间序列数据，催生了多种高度定制化的方法。近期，大语言模型（LLMs）通过利用文本数据与时间序列共有的序列特性，已成为时间序列分析的一种新范式。然而，时间序列与大语言模型之间存在根本性的跨模态鸿沟，因为大语言模型是在文本语料上预训练的，并非天然为时间序列优化。许多近期研究旨在解决这一问题。在本综述中，我们提供了基于大语言模型的时间序列分析跨模态建模的最新概述。我们首先引入一种分类法，根据用于时间序列建模的文本数据类型，将现有方法分为四类。然后，我们总结了关键的跨模态策略，例如对齐与融合，并讨论了它们在一系列下游任务中的应用。此外，我们在来自不同应用领域的多模态数据集上进行了实验，以探究文本数据与跨模态策略的有效组合，从而增强时间序列分析。最后，我们提出了若干有前景的未来研究方向。本综述面向对基于大语言模型的时间序列建模感兴趣的各类专业人士、研究人员和从业者。