只有曲线形状才重要:通过下一曲线形状预测训练基础模型进行零样本多元时间序列预测
原文中文,约500字,阅读约需1分钟。发表于: 。我们提出了通用时间转换器(GTT),这是一个仅基于编码器的风格基础模型,用于零样本多变量时间序列预测。实验结果表明,GTT 在未见过的时间序列数据集上展现出优越的预测能力,甚至超过了最先进的监督基线模型。此外,我们还研究了 GTT 模型参数和训练数据集规模变化的影响,观察到缩放定律在零样本多变量时间序列预测中也成立。
通过将时间序列编码为数字字符串,大型语言模型(LLMs)如 GPT-3 和 LLaMA-2 可以在零样本外推时间序列,性能与专用时间序列模型相当。LLMs 能够自然地表示多模态分布,处理缺失数据,容纳文本边信息,并回答问题以帮助解释预测。增加模型大小通常会提高时间序列的性能,但 GPT-4 可能比 GPT-3 表现更差。