Time-LLM：通过重编程大型语言模型进行时间序列预测

时间序列预测在众多现实世界的动态系统中具有重要意义，并已受到广泛研究。与自然语言处理（NLP）和计算机视觉（CV）领域中单一大型模型可应对多种任务不同，时间序列预测模型通常具有高度专用性，需针对不同任务和应用场景设计专门的架构。尽管预训练基础模型在NLP和CV领域取得了显著进展，但其在时间序列领域的应用受限于数据稀疏性问题。近期研究表明，大型语言模型（LLMs）具备强大的复杂序列模式识别与推理能力。然而，如何有效对齐时间序列数据与自然语言模态，以充分挖掘这些能力，仍是亟待解决的挑战。本文提出Time-LLM，一种重新编程框架，旨在在保持骨干语言模型不变的前提下，将大型语言模型重新用于通用时间序列预测任务。我们首先通过文本原型对输入的时间序列进行重构，再将其输入冻结的LLM，以实现两种模态之间的对齐。为进一步增强LLM对时间序列数据的推理能力，我们提出“提示作为前缀”（Prompt-as-Prefix, PaP）机制，通过丰富输入上下文并引导重构后时间序列片段的转换过程。最终，经LLM处理得到的时序片段被映射至预测输出。全面的实验评估表明，Time-LLM是一种强大的时间序列学习模型，在性能上超越现有最先进的专用预测模型。此外，Time-LLM在少样本（few-shot）与零样本（zero-shot）学习场景下均表现出色，展现出卓越的泛化能力。