AutoTimes: Autoregressive Time Series Forecasters via Large Language Models

本文是LLM系列文章，针对《AutoTimes: Autoregressive Time Series Forecasters via Large Language Models》的翻译。

摘要

由于大规模时间序列的可用性有限以及可扩展预训练的开发不足，时间序列的基础模型尚未完全开发。基于时间序列和自然语言的相似序列结构，越来越多的研究证明了利用大型语言模型（LLM）处理时间序列的可行性。然而，现有的方法可能会忽视时间序列和自然语言的一致性，导致LLM潜力的利用不足。为了充分利用从语言建模中学习到的通用token转换，我们建议AutoTimes将LLM重新用作自回归时间序列预测器，这与LLM的获取和利用一致，而无需更新参数。由此产生的预测器可以处理灵活的序列长度，并实现与流行模型一样具有竞争力的性能。此外，我们提出了利用相应时间戳的token提示，使我们的方法适用于多模态场景。分析表明，我们的预测者继承了LLM的零样本和上下文学习能力。从经验上讲，AutoTimes表现出显著的方法通用性，并通过基于更大的LLM、额外的文本或时间序列作为指令来实现增强的性能。

1 引言

2 相关工作

3 方法

4 实验