Large Language Models Are Zero-Shot Time Series Forecasters

1. 研究背景/动机

和之前文章差不多，不再赘述

2. 创新点

方法虽然比较平凡，但可能在当时具有一定的新颖性。

3. 主要方法

本研究的思路直观简单：输入由时序数值组成的句子，预测后续数值组成的句子。

Token标记

由于模型中存在的各种标记问题，作者选择在每个数字间加入几个逗号，以强制规定标记方法。具体是否加空格则根据不同的LLM进行调整。

Rescaling

为了避免某些数值过大，覆盖了过多的token，数据需要进行预处理，例如进行缩放。不同的LLM之间具体的缩放方法有所不同。

Sampling / Forecasting

每次预测时，通过多次采样实验获得多组预测值，取这些预测值的中位数或均值作为点预测的结果，以增加结果的鲁棒性。

Continuous Likelihoods

LLM的概率分布是离散的，需要将其转换为连续概率密度，方法是简单地在段内赋予均匀分布。

Language Models as Flexible Distributions

序列预测本质上是对未来值的条件分布进行建模，因此LLM自然也适用于此类任务。

4. 数据集

使用了 Darts、Monash、Informer 等数据集（具体见论文）。

5. 实验结果

作者提供了详细的实验结果，但在此省略相关细节。

6. 实验环境

具体实验条件未详细说明，且未开源