.png){kind=icon}
返回
ADTime: Adaptive Multivariate Time Series Forecasting Using LLMs
.png){kind=icon}
OA
AI
DOI：10.3390/make7020035.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大型语言模型（LLMs）最近表现出显著的性能，特别是在解决训练传统预测模型时广泛的数据需求这一挑战方面。然而，当这些方法应用于高维和领域特定的数据集时，会遇到重大挑战。这些挑战主要源于无法有效建模变量间的依赖关系和捕捉变量特定的特征，导致在复杂的预测场景中表现欠佳。为解决这些局限性，我们提出了ADTime，一种基于LLM的自适应多变量时间序列预测方法。ADTime采用先进的预处理技术来识别关键变量和时序特征之间的潜在关系。此外，它集成了时序对齐机制和基于提示的策略，以增强LLM对预测任务的语义理解。实验结果表明，ADTime优于最先进的方法，在公开数据集上将MSE降低9.5%，MAE降低6.1%，在领域特定数据集上将MSE降低17.1%，MAE降低13.5%。此外，在真实炼油厂数据集上的零样本实验表明，ADTime在不同迁移场景下表现出更强的泛化能力。这些发现突显了ADTime在推进复杂、领域特定的时序预测任务方面的潜力。
Keyword:
multivariate time series forecasting
large language models
adaptive preprocessing
temporal alignment
prompt-based strategies
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
M
IF:
6
论文数:
834
被引数:
1.8K
机构
引用论文
.png){kind=icon}
Harnessing LLMs for Temporal Data - A Study on Explainable Financial Time Series Forecasting利用LLMs进行时序数据处理——关于可解释金融时间序列预测的研究
OAAI
OAAI分享收藏 没有更多内容
没有更多内容