PulseAugur
中
实时 08:41:46
English(EN) REATS: LLM Reasoning-based Ensemble Learning for Adaptive Time Series Forecasting

LLM推理增强时间序列预测集成学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了REATS，一个集成学习框架，用于时间序列预测，该框架整合了大语言模型（LLM）的推理能力。与依赖数值输入或固定规则的传统方法不同，REATS使用LLM来解释时间模式的文本描述以及数值数据，从而生成自适应且可解释的集成权重。该系统采用结构化输入管道、多行权重监督方案以及结合监督微调（SFT）和GRPO的两阶段微调过程，以提高性能并减轻LLM的幻觉。在八个基准上的实验表明，REATS的性能优于现有的集成方法，并展现出强大的泛化能力。 AI

影响 引入了一种利用LLM推理来提高时间序列预测准确性和可解释性的新方法。

排序理由 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.LG 阅读 →

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

LLM推理增强时间序列预测集成学习

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Xu Zhang, Chang Xu, Hui Sun, Nan Ma, Zijian Zhang, Peng Wang, Wei Wang, Li Zhao ·

    REATS：基于LLM推理的集成学习用于自适应时间序列预测

    arXiv:2608.10149v1 Announce Type: new Abstract: Due to the diversity of real-world time series, no single forecasting model consistently dominates across all samples. Ensemble learning addresses this by combining complementary model strengths, yet existing methods rely on fixed r…

相关实体

相关话题