Advertisement

LSTPrompt: Large Language Models as Zero-Shot Time Series Forecasters by Long-Short-Term Prompting

阅读量：

本文是LLM系列文章，针对《LSTPrompt: Large Language Models as Zero-Shot Time Series Forecasters by Long-Short-Term Prompting》的翻译。

LSTPrompt：大型语言模型利用长短期提示作为零样本时间序列预报器

  • 摘要
  • 1 引言
  • 2 方法
  • 3 实验
  • 4 结论

摘要

时间序列预测（TSF）在现实世界中有着广泛的应用。提示脱离搁置的大型语言模型（LLM）展示了强大的零样本TSF功能，同时保持了计算效率。然而，现有的提示方法将TSF过于简化为语言下一个表征预测，忽略了其动态性质，并且缺乏与最先进的提示策略（如思想链）的集成。因此，我们提出了LSTPrompt，这是一种在零样本TSF任务中提示LLM的新方法。LSTPrompt将TSF分解为短期和长期预测子任务，并为每个任务定制提示。LSTPrompt指导LLM定期重新评估预测机制，以增强适应性。广泛的评估表明，LSTPrompt的性能始终优于现有的提示方法，并且与基础TSF模型相比，结果具有竞争力。

1 引言

2 方法

3 实验

4 结论

在本文中，我们介绍了LSTPrompt，这是一种通过提示LLM实现零样本TSF任务的新提示范式。LSTPrompt通过两个创新模块使LLM能够实现准确的零样本TSF任务：TimeDecomp，它将零样本TSF任务分解为一系列思想链子任务；TimeBreath，它鼓励LLM定期重新评估预测机制。大量实验验证了LSTPrompt的有效性，它始终优于SOTA prompt方法，并且总体上显示出比SOTA PTM更好的性能。

全部评论 (0)

还没有任何评论哟~

相关文章推荐

LSTPrompt: Large Language Models as Zero-Shot Time Series Forecasters by Long-Short-Term Prompting

本文是LLM系列文章，针对《LSTPrompt:LargeLanguageModelsasZeroShotTimeSeriesForecastersbyLongShortTermPrompting》的...

LSTPrompt: Large Language Models as Zero-Shot Time Series Forecasters by Long-Short-Term Prompting

本文是LLM系列文章，针对《LSTPrompt:LargeLanguageModelsasZeroShotTimeSeriesForecastersbyLongShortTermPrompting》的...

论文笔记：LSTPrompt: Large Language Models as Zero-Shot Time Series Forecastersby Long-Short-Term Prompt

202402arxiv 1intro 1.1大模型+时间序列预测 一般有两种类型的方法 使用海量时间序列数据重新训练一个时间序列领域的大模型 论文笔记：TimeGPT1timegpt论文博客 直接利用...

论文阅读 - 《Large Language Models Are Zero-Shot Time Series Forecasters》

Abstract 通过将时间序列编码为数字组成的字符串，我们可以将时间序列预测当做文本中下一个token预测的框架。通过开发这种方法，我们发现像GPT3和LLaMA2这样的大语言模型在下游任务上可以有...

论文笔记：Large Language Models Are Zero-Shot Time Series Forecasters

2023neurips 完全是零样本（zeroshot）的，不需要微调 1方法 1.1Tokenization（分词和编码） 现有的LLM（比如GPT3）的tokenizer不能直接用来编码时间序列的...

【论文阅读笔记】Large Language Models AreZero-Shot Time Series Forecasters

背景介绍 时间序列预测与其他序列建模问题（如文本、音频或视频）类似，但有两个特别的挑战。不同于视频或音频通常具有一致的输入规模和采样率，聚合的时间序列数据集通常包含来自截然不同来源的序列，有时还包含缺...

A Federated Large Language Model for Long-Term Time Series Forecasting

本文是LLM系列文章，针对《AFederatedLargeLanguageModelforLongTermTimeSeriesForecasting》的翻译。

23- TIME-LLM: TIME SERIES FORECASTING BY REPRO- GRAMMING LARGE LANGUAGE MODELS

解决问题 用LLM来解决时序预测问题，并且能够将时序数据映射（reprogramming）为NLPtoken，并且保持backbone的大模型是不变的。解决了时序序列数据用于大模型训练数据稀疏性的问题...

MemoryBank：Enhancing Large Language Models with Long-Term Memory

MemoryBank建立在一个具有内存检索和更新机制的内存存储器上，能够总结过去的事件和用户的个性。通过不断的记忆更新不断进化，通过合成以前交互的信息，随着时间的推移理解和适应用户的个性，允许LLM根...

论文笔记：Time-LLM: Time Series Forecasting by Reprogramming Large Language Models

iclr2024reviewer评分3888 1方法 提出了TimeLLM， 是一个通用的大模型重编程（LLMReprogramming）框架 将LLM轻松用于一般时间序列预测，而无需对大语言模型本身...