PulseAugur
中
实时 11:01:51
English(EN) Adapting LLMs to Time Series Forecasting via Temporal Heterogeneity Modeling and Representation Alignment

通过新的稳定性和异质性框架将大型语言模型适配到时间序列预测

作者 PulseAugur 编辑部 · [2 个来源] ·

两篇新的研究论文探讨了将大型语言模型（LLM）适配到时间序列预测的方法，分别解决了不同的挑战。第一篇论文介绍了TALON框架，该框架通过建模时间异质性和对齐表示来提高LLM在各种时间序列模式上的性能。第二篇论文提出了一种控制理论方法F-LLM，通过使用闭环机制来确保LLM预测的稳定性并防止误差累积。 AI

影响 这些框架可以提高LLM在金融建模、天气预测和其他时间相关数据分析中的应用准确性和可靠性。

排序理由 两篇在arXiv上发表的学术论文，提出了使用LLM进行时间序列预测的新颖方法。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

通过新的稳定性和异质性框架将大型语言模型适配到时间序列预测

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Yanru Sun, Emadeldeen Eldele, Zongxia Xie, Yucheng Wang, Wenzhe Niu, Qinghua Hu, Chee Keong Kwoh, Min Wu ·

    通过时序异质性建模和表示对齐使大型语言模型适应时间序列预测

    arXiv:2508.07195v2 Announce Type: replace-cross Abstract: Recent advances have demonstrated that Large Language Models (LLMs) can be effectively adapted for time series forecasting, revealing strong potential beyond natural language tasks. However, their performance remains const…

  2. arXiv cs.LG TIER_1 English(EN) · Xingyu Zhang, Jingyao Wang, Zeen Song, Changwen Zheng, Wenwen Qiang ·

    闭环：一种可证明稳定时间序列预测的控制理论框架，用于大型语言模型

    arXiv:2602.12756v2 Announce Type: replace Abstract: Large Language Models (LLMs) have recently shown exceptional potential in time series forecasting (TSF), leveraging their inherent sequential reasoning capabilities to model complex temporal dynamics. Existing approaches typical…

相关实体

相关话题