增强时间序列预测的 LLM-代理方法.pdfVIP

增强时间序列预测的LLM-代理方法

Chin-ChiaMichaelXiranFanXinDai

Yeh∗YujieFanYanZheng

VisaResearch

VivianLaiJunpengWang

FosterCity,CA,USA

VisaResearch

UdaySinghSaini

FosterCity,CA,USA

VisaResearch

FosterCity,CA,USA

摘要1介绍

本大型语言模型（LLM）驱动的代理已成为自动机器学时间序列数据广泛应用于各种实际应用场景，包括交

译习（AutoML）系统中有效的规划者。虽然大多数现有通监控、金融交易和共享出行需求预测[11]。尤其是准

中的AutoML方法专注于自动化特征工程和模型架构搜确的时间序列预测是一个具有广泛应用的关键研究领

1索，但最近在时间序列预测方面的研究表明，轻量级域[7,11,25]。同时，大型语言模型（LLMs）在为各种通

v模型通常可以实现最先进的性能。这一观察结果促使用机器学习任务提供自动机器学习（AutoML）系统方

1

3我们探索改进数据质量，而不是模型架构，作为处理面取得了显著成功[1,8,16,19]。这一交汇促使我们探

2

4时间序列数据的AutoML的一个有潜力的方向。我们索开发专门针对时间序列预测独特挑战的由LLM驱

0.提出了DCATS，一个Data-CentricAgentforTimeSeries。动的AutoML系统。

8

0DCATS利用伴随时间序列的元数据来清理数据并优然而，直接将一般的AutoML原则应用于时间序

5化预测性能。我们使用了四个时间序列预测模型在大列预测可能会忽略领域特定的优化机会。最近的研究

2

:规模交通量预测数据集上评估了DCATS。结果显示，表明，轻量级的时间序列模型可以达到最先进的性能[3,

v

iDCATS在所有测试的模型和时间范围内平均减少了9,22,25]，从而将重点转移到数据质量上。这与以数

x

r6%的误差，突显了数据驱动方法在AutoML中进行时据为中心的人工智能的原则[18,26]一致，该原则优

a

间序列预测的潜力。源代码可在以下位置获取：https:先考虑数据精炼而非复杂的模型架构。我们发现了一

///view/ts-agent。个重要的机会，即利用LLMs来自动化这种以数据为

中心的时间序列预测方法，这是一个尚未充分探索的

CCSConcepts领域。因此，本文介绍了DCATS（Data-CentricAgent

forTimeSeries），这是一个由大型语言模型驱动的代理，

•Informationsystems→Spatial-temporalsystems;

专注于智能优化训练数据而非仅仅优化模型架构。