今天給大家介紹一篇最新的大模型+時間序列預測工作，由康涅狄格大學發(fā)表，提出了一種將時間序列在隱空間和NLP大模型對齊，并利用隱空間prompt提升時間序列預測效果的方法。

論文標題：S2IP-LLM: Semantic Space Informed Prompt Learning with LLM for Time Series Forecasting

下載地址：https://arxiv.org/pdf/2403.05798v1.pdf

1、問題背景

大模型在時間序列上的應用越來越多，主要分為兩類：第一類使用各類時間序列數(shù)據(jù)訓練一個時間序列領(lǐng)域自己的大模型；第二類直接使用NLP領(lǐng)域訓練好的文本大模型應用到時間序列中。由于時間序列不同于圖像、文本，不同數(shù)據(jù)集的輸入格式不同、分布不同，且存在distribution shift等問題，導致使用所有時間序列數(shù)據(jù)訓練統(tǒng)一的模型比較困難。因此，越來越多的工作開始嘗試如何直接使用NLP大模型解決時間序列相關(guān)問題。

本文的聚焦點也在第二種方法，即使用NLP大模型解決時間序列問題?，F(xiàn)有的方法很多采用對時間序列的描述作為prompt，但是這種信息并不是所有時間序列數(shù)據(jù)集都有。并且現(xiàn)有的基于patch的時間序列數(shù)據(jù)處理方法，也無法完全保存時間序列數(shù)據(jù)本身的所有信息。

基于上述問題，這篇文章提出了一種新的建模方法，核心建模思路，一方面將時間序列通過tokenize處理后映射成embedding，另一方面將這些時間序列空間的表征對齊到大模型中的word embedding上。通過這種方式，讓時間序列的預測過程中，可以找到對齊的word embedding相關(guān)的信息作為prompt，提升預測效果。

圖片

2、實現(xiàn)方法

下面從數(shù)據(jù)處理、隱空間對齊、模型細節(jié)等3個方面介紹一下這篇工作的實現(xiàn)方法。

數(shù)據(jù)處理：由于時間序列的distribution shift等問題，本文對輸入序列做了一步趨勢項季節(jié)項分解。每個分解后的時間序列，都單獨做標準化，然后分割成有重疊的patch。每一組patch對應趨勢項patch、季節(jié)項patch、殘差patch，將這3組patch拼接到一起，輸入到MLP中，得到每組patch的基礎(chǔ)embedding表征。

隱空間對齊：這是本文中最核心的一步。Prompt的設(shè)計對大模型的效果影響很大，而時間序列的prompt又難以設(shè)計。因此本文提出，將時間序列的patch表征和大模型的word embedding在隱空間對齊，然后檢索出topK的word embedding，作為隱式的prompt。具體做法為，使用上一步生成的patch embedding，和語言模型中的word embedding計算余弦相似度，選擇topK的word embedding，再將這些word embedding作為prompt，拼接到時間序列patch embedding的前方。由于大模型word embedding大多，為了減少計算量，先對word embedding做了一步映射，映射到數(shù)量很少的聚類中心上。

模型細節(jié)：在模型細節(jié)上，使用GPT2作為語言模型部分，除了position embedding和layer normalization部分的參數(shù)外，其余的都凍結(jié)住。優(yōu)化目標除了MSE外，還引入patch embedding和檢索出的topK cluster embedding的相似度作為約束，要求二者之間的距離越小越好。最終的預測結(jié)果，也是

圖片

3、實驗效果

文中對比了和一些時間序列大模型、iTransformer、PatchTST等SOTA模型的效果，在大部分數(shù)據(jù)集的不同時間窗口的預測中都取得了比較好的效果提升。

圖片

同時，文中也通過t-SNE可視化分析了embedding，從圖中可以看出，時間序列的embedding在對齊之前并沒有明顯的類簇現(xiàn)象，而通過prompt生成的embedding有明顯的類簇變化，說明本文提出的方法有效的利用文本和時間序列的空間對齊，以及相應的prompt，提升時間序列表征的質(zhì)量。

圖片