BriefGPT - AI 论文速递
·
论文：大型语言模型对时间序列分析的启示
💡
原文中文，约500字，阅读约需1分钟。
📝
内容提要
大型语言模型（LLMs）如 GPT-3 和 LLaMA-2 可以通过编码时间序列为数字字符串来外推时间序列，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。增加模型大小通常提高时间序列性能，但 GPT-4 可能比 GPT-3 表现更差。
🎯
关键要点
-
通过将时间序列编码为数字字符串，可以将时间序列预测视为文本中的下一个标记预测。
-
大型语言模型（LLMs）如 GPT-3 和 LLaMA-2 在零样本外推时间序列方面表现出色，其性能与专用时间序列模型相当或更好。
-
LLMs 成功的原因在于它们能够自然表示多模态分布，结合对简洁性和重复性的偏好，符合时间序列的特征。
-
LLMs 能够处理缺失数据而无需插补，容纳文本边信息，并回答问题以帮助解释预测。
-
增加模型大小通常提高时间序列性能，但 GPT-4 可能因令牌化数字和不确定性校准问题表现不如 GPT-3。
➡️
