简介：本文介绍了AutoTimes，一种利用大型语言模型（LLM）进行自回归时间序列预测的方法。该方法能够处理灵活长度的序列，并展现出与主流模型相当的性能。通过token-wise prompting和相应的时间戳，AutoTimes还能适应多模态场景。本文将详细解释AutoTimes的工作原理，并通过实例和图表说明其在实际应用中的优势。
在数字化时代，时间序列预测成为了许多领域的关键技术，如金融分析、天气预报、供应链管理等。近年来，随着大型语言模型（LLM）在自然语言处理领域的突破，越来越多的研究者开始探索如何利用LLM进行时间序列预测。然而，以往的方法往往忽视了时间序列与自然语言之间的一致性，导致LLM的潜力未能充分发挥。
为了解决这一问题，我们提出了AutoTimes——一种全新的自回归时间序列预测器。AutoTimes的核心思想是将LLM重新用作时间序列预测器，而无需更新其参数。这意味着我们可以在不改变LLM原始结构的情况下，利用其从语言建模中学到的通用token转换来进行时间序列预测。
AutoTimes的预测过程基于自回归模型，即根据历史数据来预测未来的值。通过采用与LLM获取一致的训练目标，即下一个token预测，AutoTimes能够建立包含局部序列变化的时间序列段的token化。这种token化过程使得AutoTimes能够处理灵活的序列长度，并作为主流模型实现有竞争力的性能。
此外，为了将AutoTimes应用于多模态场景，我们提出了token-wise prompting的方法。这种方法利用相应的时间戳作为提示信息，使AutoTimes能够理解和处理不同模态的数据。例如，在时间序列分析中，我们可以使用时间戳来标识每个数据点的时间点，从而帮助AutoTimes更好地理解数据的变化趋势。
在实际应用中，AutoTimes展现出了显著的通用性和灵活性。通过基于更大的LLM、附加文本或时间序列作为指令，我们可以实现AutoTimes性能的增强。例如，在金融领域，我们可以利用AutoTimes对股票价格进行预测。通过输入历史股价数据和相关文本信息（如公司财报、新闻报道等），AutoTimes能够生成对未来股价的预测。这种预测可以帮助投资者做出更明智的决策，降低投资风险。
在天气预报方面，AutoTimes同样展现出强大的潜力。通过分析历史气象数据和相关文本信息（如气候模型、卫星图像等），AutoTimes可以对未来天气状况进行预测。这种预测可以帮助人们提前做好出行安排、调整农业生产计划等。
总之，AutoTimes作为一种全新的自回归时间序列预测器，充分利用了大型语言模型在时间序列预测中的潜力。通过处理灵活长度的序列、适应多模态场景以及实现增强的性能，AutoTimes为时间序列预测领域带来了新的突破。未来，随着技术的不断进步和应用场景的不断拓展，我们相信AutoTimes将在更多领域发挥重要作用，为人们的生活带来更多便利和价值。