大模型做時序預測也很強！華人團隊激活LLM新能力，超越一眾傳統模型實現SOTA_風聞

　　蔚明 投稿自 凹非寺

　　量子位 | 公眾號 QbitAI

　　大語言模型潛力被激發——

　　無需訓練大語言模型就能實現高精度時序預測，超越一切傳統時序模型。

　　來自蒙納士大學、螞蟻、IBM研究院提出了一種通用框架，結果成功激活大語言模型跨模態處理時序數據的能力。

　　時序預測有益於城市、能源、交通、遙感等典型複雜系統的決策制定。

　　自此，大模型有望徹底改變時序/時空數據挖掘方式。

　　通用大語言模型重編程框架

　　簡單來説，研究團隊提出了一個通用框架，將大語言模型輕鬆用於一般時間序列預測，而無需做任何訓練。

　　主要提出兩大關鍵技術：時序輸入重編程；提示做前綴。

　　Time-LLM首先使用文本原型（Text Prototypes）對輸入的時序數據進行重編程，通過使用自然語言表徵來表示時序數據的語義信息，進而對齊兩種不同的數據模態，使大語言模型無需任何修改即可理解另一個數據模態背後的信息。

　　為了進一步增強LLM對輸入時序數據和對應任務的理解，作者提出了提示做前綴（Prompt-as-Prefix，PaP）的範式，通過在時序數據表徵前添加額外的上下文提示與任務指令，充分激活LLM在時序任務上的處理能力。

　　主要貢獻包括：

　　1、提出了通過重編程大型語言模型用於時序分析的全新概念，無需對主幹語言模型做任何修改。

　　2、提出一個通用語言模型重編程框架Time-LLM，它包括將輸入時序數據重新編程為更自然的文本原型表示，並通過聲明性提示（例如領域專家知識和任務説明）來增強輸入上下文，以指導LLM進行有效的跨域推理。

　　3、在主流預測任務中的表現始終超過現有最好的模型性能，尤其在少樣本和零樣本場景中。此外，Time-LLM在保持出色的模型重編程效率的同時，能夠實現更高的性能。大大釋放LLM在時間序列和其他順序數據方面尚未開發的潛力。

　　具體來看這一框架，首先，輸入時序數據先通過RevIN歸一化操作，然後被切分成不同patch並映射到隱空間。

　　時序數據和文本數據在表達方式上存在顯著差異，兩種屬於不同的模態。

　　時間序列既不能直接編輯，也不能無損地用自然語言描述。因此，我們需要將時序輸入特徵對齊到自然語言文本域上。

　　而對齊不同模態的一個常見方式是cross-attention，但是LLM固有的詞彙表很大，因此無法有效直接將時序特徵對齊到所有詞上，而且也並不是所有詞都和時間序列有對齊的語義關係。

　　為了解決這個問題，這項工作對詞彙表進行了線形組合來獲取文本原型，其中文本原型的數量遠小於原始詞彙量，組合起來可以用於表示時序數據的變化特徵。

　　而為了充分激活LLM在指定時序任務上的能力，這項工作提出了提示做前綴的範式。

　　通俗點説，就是把時間序列數據集的一些先驗信息，以自然語言的方式，作為前綴prompt，和對齊後的時序特徵拼接餵給LLM，是不是能夠提升預測效果？

　　在實踐中，作者確定了構建有效提示的三個關鍵組件：

　　（1）數據集上下文；（2）任務指令，讓LLM適配不同的下游任務；（3）統計描述，例如趨勢、時延等，讓LLM更好地理解時序數據的特性。

　　團隊在長程預測上經典的8大公開數據集上進行了全面的測試。

　　結果Time-LLM在基準比較中顯著超過此前領域最優效果，比如對比直接使用GPT-2的GPT4TS，Time-LLM有明顯提升，表明了該方法的有效性。

　　此外，在zero-shot場景中也表現了很強的預測能力。

　　本項目獲得螞蟻集團智能引擎事業部旗下AI創新研發部門NextEvo支持。

　　感興趣的小夥伴可戳下方鏈接瞭解論文詳情~

　　論文鏈接

　　https://arxiv.org/abs/2310.01728