In-Context Learning Implicit Representation for Time Series Forecasting

Liwei Yang

doi:10.1109/LSP.2025.3624128

In-Context Learning Implicit Representation for Time Series Forecasting

2025-01-01

0

PRE

AI

DOI：10.1109/LSP.2025.3624128

原文链接

原文求助

摘要

En 中文

时间序列预测任务旨在根据历史时间序列观测数据预测未来的时间序列信号。本文从一种名为In-Context Learning Implicit Representation（ICL-IR）的新颖视角研究了时间序列信号的建模与预测。ICL-IR将时间序列数据表述为隐式表示（IR），这是一种从时间戳到时间序列数据的映射。通过引入仅解码器的Transformer架构，ICL-IR能够基于构建的上下文示例自动识别从时间戳到数据的映射，并以自回归方式预测未来的时间序列数据。为提升自回归预测性能，我们设计了一种One-Step-ahead Training（OST）策略，并通过理论分析与实证评估证明了其有效性。实验结果表明，ICL-IR在时间序列预测任务中具有优越性。

Keyword:

Dynamics modeling

implicit representation

in-context learning

time series forecasting

In-Context Learning Implicit Representation for Time Series Forecasting

摘要

期刊

机构