基于大语言模型的多变量时间序列特征融合方法OA
在多变量时间序列预测领域,有效利用关联变量的信息对提升预测精度至关重要。然而,实际应用中的关联变量通常具有多模态特性,难以被传统预测模型直接理解与融合。为此,提出一种基于大语言模型的多变量时间序列特征融合方法。该方法的核心是设计一种动态提示生成机制,能够自动将多变量时间序列数据及其相关的多模态特征(如统计规律等)编码为富含语义信息的自然语言描述,借助大语言模型的语义认知与逻辑推理能力,实现多源特征的统一语义表示并有效指导时间序列预测。在真实充电站负荷数据集上的实验结果表明,该方法能够有效引导大语言模型融合复杂时序数据特征,在多变量时间序列预测任务上取得优于主流基线模型的性能。
归耀城;章翔;李炜卓;刘倩;高辉
南京邮电大学现代邮政学院、智慧交通学院,江苏南京210003南京邮电大学现代邮政学院、智慧交通学院,江苏南京210003南京邮电大学现代邮政学院、智慧交通学院,江苏南京210003 南京大学计算机软件新技术国家重点实验室,江苏南京210093南京邮电大学计算机学院、软件学院、网络空间安全学院,江苏南京210023南京邮电大学自动化学院,江苏南京210023
信息技术与安全科学
时间序列预测大语言模型多变量特征融合提示工程
《南京邮电大学学报(自然科学版)》 2026 (5)
P.139-147,9
国家自然科学基金(52077107,62006125)资助项目。
评论