PulseAugur
中
实时 06:45:52
English(EN) LLM as Forecasting Planner: Training-Free Text Conditioning for Time-Series Foundation Models

LLM作为预测规划器框架将LLM与TSFM集成以改进预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为LLM作为预测规划器（LAFP）的新颖框架，该框架集成了大型语言模型（LLM）与时间序列基础模型（TSFM）以改进预测。这种无训练方法使用LLM来指导TSFM生成的轨迹的规划过程，充当策略和价值函数。在基准数据集上的实验表明，LAFP在各种TSFM和LLM组合中始终提高了预测准确性。 AI

影响 该框架提供了一种无需训练的方法，通过将LLM与现有的基础模型相结合来增强时间序列预测，有可能在需要数值和文本数据的环境中提高准确性。

排序理由 该集群包含一篇详细介绍时间序列预测新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

LLM作为预测规划器框架将LLM与TSFM集成以改进预测

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Huu Hiep Nguyen, Dung Nguyen, Minh Hoang Nguyen, Dai Do, Hung Le ·

    LLM 作为预测规划师：无训练文本条件化用于时间序列基础模型

    arXiv:2607.24892v1 Announce Type: cross Abstract: Text-conditioned time-series forecasting predicts a series from both its numerical history and natural-language context, allowing forecasts to account for events and constraints that the past alone cannot reveal. This requires bot…

相关实体

相关话题