Large Language Models for Time Series: A Survey
发布时间
阅读量：
阅读量
本文是LLM系列文章，针对《Large Language Models for Time Series: A Survey》的翻译。
时间序列的大型语言模型综述
- 摘要
- 1 引言
- 2 背景和问题定义
- 3 分类
- 4 分类学中的比较
- 5 多模态数据集
- 6 挑战与未来方向
- 7 结论
摘要
大型语言模型在自然语言处理和计算机视觉等领域有着重要的应用。LLM超越了文本、图像和图形，在分析时间序列数据方面具有巨大潜力，有利于气候、物联网、医疗保健、交通、音频和金融等领域。这篇调查论文对利用LLM的力量进行时间序列分析所采用的各种方法进行了深入的探索和详细的分类。我们解决了弥合LLM的原始文本数据训练与时间序列数据的数值性质之间的差距这一固有挑战，并探索了将LLM中的知识迁移和提取到数值时间序列分析的策略。我们详细介绍了各种方法，包括（1）LLM的直接提示，（2）时间序列量化，（3）对齐技术，（4）将视觉模态用作桥接机制，以及（5）LLM与工具的组合。此外，这项调查全面概述了现有的多模式时间序列和文本数据集，并深入探讨了这一新兴领域的挑战和未来机遇。我们维护一个最新的Github存储库，其中包括调查中讨论的所有论文和数据集。
1 引言
2 背景和问题定义
3 分类
4 分类学中的比较
5 多模态数据集
6 挑战与未来方向
7 结论
我们提出了第一项调查，系统地分析了从大型语言模型迁移知识用于数字时间序列分析的分类：直接提示、时间序列量化、对齐、使用视觉模态连接文本和时间序列，以及大型语言模型与其他分析工具的集成。对于每一类，我们都介绍了它们的数学公式、代表作，并比较了它们的优势和局限性。我们还介绍了医疗保健、物联网、金融和音频等各个领域的代表性多模式文本和时间序列数据集。最后，我们概述了LLM赋能时间序列分析未来潜在研究的挑战和新方向。
全部评论 (0)
还没有任何评论哟~