研究提出了aLLM4TS框架，用于大型语言模型的时间序列学习。通过自监督多补丁预测任务，框架更好地捕捉时间动态。训练分为因果连续预训练和目标环境微调两个阶段。独特的补丁解码层设计增强了时间序列表示能力。aLLM4TS在多个任务中表现优异，推动了LLMs在时间序列分析中的应用。

研究发现，热带气旋对印度和阿拉伯海贡献了平均53.14 mm/day的降雨量，覆盖了411.76万平方千米。这强调了进一步研究的重要性，以增强预测模型和灾害准备工作，以建立对热带气旋不同影响的抵抗能力。

我们提出了一种自适应深度学习框架，可以为任何地点的降雨预测提供解决方案，并通过使用深度神经网络对巴黎、洛杉矶和东京的降雨预测进行适应后，取得了 43.51%、5.09% 和 38.62% 的改进。