主要观点总结
文章主要关注了时序+大模型的研究趋势，提到了ICLR'24等顶会上有相关的研究入选，表明时序+LLM的潜力巨大。文章还介绍了该领域的研究方向和创新思路，包括直接提示、时间序列量化、对齐、视觉和工具等方面，并分享了67篇相关研究工作供读者下载研究。
关键观点总结
关键观点1: 时序+大模型的潜力巨大
在今年的多个顶会上，有时序+大模型的研究入选。结合LLM处理非结构化数据、转移知识，能提高预测准确性，解决传统方法的局限性。
关键观点2: 直接提示的方法
将时间序列数据视为原始文本，直接用时间序列提示LLM的方法。例如NeurIPS'23的《Large Language Models Are Zero-Shot Time Series Forecasters》提出了LLMTIME，利用预训练的LLMs进行连续时间序列预测。
关键观点3: 时间序列量化的方法
将时间序列数据转换为离散表示，使用向量量化自编码器或K-均值聚类创建时间序列的离散索引，以便LLM处理。
关键观点4: 对齐的方法
为时间序列训练单独的编码器，将其与语言模型的语义空间对齐。包括通过对比损失进行相似度匹配和其他损失进行相似性匹配。
关键观点5: 利用视觉表示和工具的方法
利用视觉表示作为时间序列和文本数据之间的桥梁，将时间序列数据转换为图像，然后使用视觉语言模型进行分析。此外，LLM还可以用于生成间接工具，如代码和API调用，以辅助时间序列分析任务。
文章预览
时序+大模型 开始火了，大家最近关注了吗？ 在 ICLR'24 、 WWW'24 、 AAAI'24 、 IJCAI'24 等今年的顶会上，都有多篇时序+大模型的研究入选。 时序+LLM的潜力非常大。首先时序的应用面就很广，现在结合LLM处理非结构化数据、转移知识，结合多模态信息提高预测准确性。 能 解决很多传统方法的局限性 。是一个非常容易发论文的方向！ 我最近也研究了一下时序+LLM，并整理了近几年 67篇代表性研究工作 。按照 直接提示 、 时间序列量化 、 对齐 、 视觉 、 工具 5个方向归纳，并且凡是有 开源代码 的也一并整理。 67篇时序+LLM的创新思路，分享给大家研究学习。 欢迎扫码下载 。 扫码下载67篇时序+LLM创新思路 67篇合集按照 直接提示 、 时间序列量化 、 对齐 、 视觉 、 工具 5个方向归纳。 直接提示 这是将时间序列数据视为原始文本，直接用时间序列提示LLM
………………………………
