今天跟大家聊一聊大模型在時間序列預(yù)測中的應(yīng)用。隨著大模型在NLP領(lǐng)域的發(fā)展，越來越多的工作嘗試將大模型應(yīng)用到時間序列預(yù)測領(lǐng)域中。這篇文章介紹了大模型應(yīng)用到時間序列預(yù)測的主要方法，并匯總了近期相關(guān)的一些工作，幫助大家理解大模型時代時間序列預(yù)測的研究方法。

1、大模型時間序列預(yù)測方法

最近三個月涌現(xiàn)了很多大模型做時間序列預(yù)測的工作，基本可以分為2種類型。

第一種是直接用NLP的大模型做時間序列預(yù)測。這類方法中，使用GPT、Llama等NLP大模型進行時間序列預(yù)測，重點是如何將時間序列數(shù)據(jù)轉(zhuǎn)換成適合大模型的輸入數(shù)據(jù)。

第二種是訓(xùn)練時間序列領(lǐng)域的大模型。這類方法中，使用大量的時間序列數(shù)據(jù)集，聯(lián)合訓(xùn)練一個時間序列領(lǐng)域的GPT或者Llama等大模型，并用于下游時間序列任務(wù)。

針對上述兩類方法，下面給大家分別介紹幾篇相關(guān)的經(jīng)典大模型時間序列代表工作。

2、NLP大模型應(yīng)用到時間序列

這類方法是最早出現(xiàn)的一批大模型時間序列預(yù)測工作。

紐約大學(xué)和卡內(nèi)基梅隆大學(xué)聯(lián)合發(fā)表的文章Large Language Models Are Zero-Shot Time Series Forecasters中，對時間序列的數(shù)字表示進行了tokenize的設(shè)計，以此轉(zhuǎn)換成GPT、LLaMa等大模型可以識別的輸入。由于不同大模型對于數(shù)字的tokenize方式不一樣，因此使用不同的大模型時，也需要個性化的進行處理。例如GPT會把一串?dāng)?shù)字分割成不同的子序列，影響模型學(xué)習(xí)，因此本文將數(shù)字之間強行加入一個空格來適配GPT的輸入形式。而對于LLaMa等最近發(fā)布的大模型，一般對單獨的數(shù)字都進行分割，因此不再需要加空格操作。同時，為了避免時間序列數(shù)值太大，使輸入序列太長，文中進行了一些縮放操作，將原始時間序列的值限定在一個比較合理的范圍內(nèi)。

上述處理后的數(shù)字字符串，輸入到大模型中，讓大模型自回歸的預(yù)測下一個數(shù)字，最后再將預(yù)測出的數(shù)字轉(zhuǎn)換成相應(yīng)的時間序列數(shù)值。下圖中給出了一個示意圖，利用語言模型的條件概率建模數(shù)字，就是根據(jù)前面的數(shù)字預(yù)測下一位為各個數(shù)字的概率，是一種迭代的層次softmax結(jié)構(gòu)，加上大模型的表征能力，可以適配各種各樣的分布類型，這也是大模型可以以這種方式用于時間序列預(yù)測的原因。同時，模型對于下一個數(shù)字預(yù)測的概率，也可以轉(zhuǎn)換成對不確定性的預(yù)測，實現(xiàn)時間序列的不確定性預(yù)估。

另一篇文章TIME-LLM: TIME SERIES FORECASTING BY REPROGRAMMING LARGE LANGUAGE MODELS提出了一種reprogramming方法，將時間序列映射到文本，實現(xiàn)時間序列和文本這兩種模態(tài)之間的對齊。

具體實現(xiàn)方法為，首先將時間序列分成多個patch，每個patch通過MLP得到一個embedding。然后，將patch embedding映射到語言模型中的詞向量上，實現(xiàn)時間序列片段和文本的映射和跨模態(tài)對齊。文中提出了一種text prototype的思路，將多個詞映射到一個prototype，以此來表示一段時間序列patch的語義。例如下圖例子中，shot和up兩個詞映射到紅色三角，對應(yīng)時間序列中短期上升形式子序列的patch。

3、時間序列大模型

另一個研究思路是，借鑒NLP領(lǐng)域大模型的思路，直接構(gòu)建一個時間序列預(yù)測領(lǐng)域的大模型。

Lag-Llama: Towards Foundation Models for Time Series Forecasting這篇文章搭建了時間序列中的Llama模型。核心包括特征層面和模型結(jié)構(gòu)層面的設(shè)計。

在特征方面，文中提取了多尺度多類型的lag feature，主要是原始時間序列不同時間窗口的歷史序列統(tǒng)計值。這些序列作為額外的特征輸入到模型中。在模型結(jié)構(gòu)方面，NLP中的LlaMA結(jié)構(gòu)，核心是Transformer，對其中的normalization方式和position encoding部分做了優(yōu)化。最后的輸出層，使用多個head擬合概率分布的參數(shù)，例如高斯分布就擬合均值方差，文中采用的是student-t分布，輸出freedom、mean、scale三個對應(yīng)參數(shù)，最后得到每個時間點的預(yù)測概率分布結(jié)果。

另一篇類似的工作是TimeGPT-1，構(gòu)建了時間序列領(lǐng)域的GPT模型。在訓(xùn)練數(shù)據(jù)方面，TimeGPT應(yīng)用了海量的時間序列數(shù)據(jù)，總計100billion的數(shù)據(jù)樣本點，涉及多種類型的domain數(shù)據(jù)。在訓(xùn)練過程中，使用更大的batch size和更小的學(xué)習(xí)率來提升訓(xùn)練的魯棒性。模型主體結(jié)構(gòu)為經(jīng)典的GPT模型。

通過下面的實驗結(jié)果也可以看出，在一些零樣本學(xué)習(xí)任務(wù)中，這種時間序列預(yù)訓(xùn)練大模型相比基礎(chǔ)的模型都取得了顯著的效果提升。

4、總結(jié)

這篇文章介紹了大模型浪潮下的時間序列預(yù)測研究思路，整體包括直接利用NLP大模型做時間序列預(yù)測，以及訓(xùn)練時間序列領(lǐng)域的大模型。無論哪種方法，都向我們展現(xiàn)了大模型+時間序列的潛力，是一個值得深入研究的方向。