【AI大模型】LLM解决时间序列问题之——语言模型+时序模型的对齐与融合建模

前言

直接基于预训练的大语言模型（LLM）解决时间序列问题，是一个最近的重要研究点。之前的研究中，主要尝试用LLM进行zero-shot learning，或者基于LLM的参数进行finetune。随着研究的深入，研究者发现，单独的一个LLM模型，或者单独的用LLM在时序数据上finetune，并不能取得最优的效果。因此除了上述优化之外，另一些工作尝试同时引入LLM构建文本模型和时序模型，并对两种模态的信息进行对齐，提升时序预测效果。

今天就给大家总结几篇最近一段时间，使用语言模型+时序模型进行融合建模的最新工作。

1、基于Attention的文本时序融合

Taming Pre-trained LLMs for Generalised Time Series Forecasting via Cross-modal Knowledge Distillation 提出一种文本+时序模型双分支的结构，都从LLM进行参数初始化，并进行跨模态的表征对齐。整体模型包含两个分支，一个分支是文本模型，使用预训练的GPT2；另一个分支是时间序列模型，用来对时间序列数据进行编码，也使用预训练的GPT2。对于输入的多元时间序列数据，首先使用iTransformer中的方法，将每个变量的序列看成一个token，生成多元时间序列的表征。对于文本模型侧，首先使用PCA对word embedding做一个降维，生成cluster。为了实现时间序列和文本信息的对齐，使用一个multi-head attention，以时间序列表征作为Query，文本模型的cluster表征作为Key和Value计算融合表征。

文本模型和时间序列模型这两个分支都进行时间序列预测。为了对齐两个模态，文中引入了两个约束。第一个约束是，让文本模型和时间序列模型的隐层表征的距离最小；另一个约束是让两个模态的预测结果尽可能相同。在finetune阶段，文本模型侧不更新参数，时间序列模型测使用LoRA进行高效finetune。

2、Patch表征和Token表征隐空间对齐

S2IP-LLM: Semantic Space Informed Prompt Learning with LLM for Time Series Forecasting 也是类似的建模方法，结合prompt对时序模型和文本模型进行对齐。本文提出，将时间序列的patch表征和大模型的word embedding在隐空间对齐，然后检索出topK的word embedding，作为隐式的prompt。具体做法为，使用上一步生成的patch embedding，和语言模型中的word embedding计算余弦相似度，选择topK的word embedding，再将这些word embedding作为prompt，拼接到时间序列patch embedding的前方。由于大模型word embedding大多，为了减少计算量，先对word embedding做了一步映射，映射到数量很少的聚类中心上。文中使用GPT2作为语言模型部分，除了position embedding和layer normalization部分的参数外，其余的都冻结住。优化目标除了MSE外，还引入patch embedding和检索出的topK cluster embedding的相似度作为约束，要求二者之间的距离越小越好。

3、原型Embedding对齐文本和时序

Rethinking Time Series Forecasting with LLMs via Nearest Neighbor Contrastive Learning 提出一种方法是训练几个文本原型向量，并让其对齐时间序列数据表征，最后将这些原型向量作为prompt加入到时间序列输入中。文中提出的文本原型向量名为TCTP。如下图所示，其核心是在LLM的token embedding表征空间中，学一些可学习的embedding，实现一种对原始token embedding聚类的目的。同时，通过对比学习的手段，拉近这些原型embedding和时间序列表征之间的距离，作为一个中间桥梁对齐token embedding和时间序列embedding。

具体的模型结构图如下。TCTP的优化目标有两个。一方面，要求每个token embedding和距离其最近的TCTP embedding尽可能小，实现将TCTP嵌入到token embedding的表征空间。另一方面，对于一个时间序列，使用patch+linear生成的时序表征，和各个TCTP计算距离，选择距离最小的K个TCTP，通过对比学习拉近时序表征和这K个TCTP的距离，实现时序表征到TCTP表征的对齐，进而对齐到预训练语言模型的token表征空间。

在得到TCTP表征后，将其作为soft prompt，拼接到时间序列输入的前面，整体输入到预训练的语言模型中。语言模型输出的表征接一个可学习的线性层，映射到最终的预测结果。

最后的最后

感谢你们的阅读和喜欢，作为一位在一线互联网行业奋斗多年的老兵，我深知在这个瞬息万变的技术领域中，持续学习和进步的重要性。

为了帮助更多热爱技术、渴望成长的朋友，我特别整理了一份涵盖大模型领域的宝贵资料集。

这些资料不仅是我多年积累的心血结晶，也是我在行业一线实战经验的总结。

这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习，相信它们一定能为你提供实质性的帮助。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】