近期值得关注的4个时序大模型研究

前言

梳理了近期几篇时间序列大模型研究文章（后台回复：“论文合集”获取），时间序列大模型的研究正在迅速发展，并且在多个领域和应用中展现出巨大的潜力。随着技术的不断进步，预计未来会有更多创新的方法和应用出现，但我感觉目前可以重点关注以下三方面：

基础模型的构建：研究者们正在尝试构建时间序列预测的基础模型，这些模型可以在不同的时间序列数据集上进行预训练，并展示出良好的泛化能力。

模型可解释性：通过文本形式提供解释性的时间序列预测结果，帮助用户更好地理解时间序列数据的模式和趋势。

特定领域的应用：大模型正在被应用于特定领域的时间序列预测，如金融、医疗、交通等，以解决特定问题并提供可解释的预测。

1.UniTS

论文标题：UniTS: Building a Unified Time Series Model

尽管当前的基础模型能够处理序列数据，但它们并不适用于时间序列分析，时间序列分析面临着独特挑战：时间序列数据的多样性和多领域性、预测、分类和其他任务类型之间的任务规范差异，以及对特定任务模型的需求。本文提出UniTS，这是一个统一的时间序列模型，它支持通用的任务规范，能够处理分类、预测、插补和异常检测等任务。这一模型采用了一个创新的统一网络架构，结合了序列和变量注意力机制、动态线性算子，并作为一个统一模型进行训练。在38个跨领域的数据集上，UniTS展现了超越特定任务模型和基于自然语言的LLMs的性能。当评估新的数据领域和任务时，UniTS显示出了卓越的零样本、少量样本学习和提示学习能力。

2.TIME-LLM

论文标题：TIME-LLM: TIME SERIES FORECASTING BY REPROGRAMMING LARGE LANGUAGE MODELS（ICLR2024）

最近的研究揭示了大型语言模型（LLMs）在复杂序列上具有强大的模式识别和推理能力。然而，如何有效地将时间序列数据的模态与自然语言对齐，以利用这些能力仍是挑战。本文中作者提出了TIME-LLM，一个重新编程框架，用于将LLMs重新用于通用的时间序列预测，同时保持骨干语言模型的完整性。我们首先使用文本原型（text prototypes）重新编程输入的时间序列，然后将其输入到冻结的LLM中，以对齐这两种模态。为了增强LLM处理时间序列数据的推理能力，作者提出了Prompt-as-Prefix（PaP），它丰富了输入上下文，并指导了重新编程输入patch的转换。来自LLM的转换后的时间序列补丁最终被投影以获得预测。评估表明：TIME-LLM是一个强大的时间序列学习者，其性能超越了最先进的专门预测模型。此外，TIME-LLM在少量样本和零样本学习场景中表现出色。

3.Chronos

论文标题：Chronos: Learning the Language of Time Series

本文提出了Chronos，一个简单而有效的预训练概率时间序列模型框架。Chronos通过缩放和量化将时间序列值转换为固定词汇表中的标记，并使用交叉熵损失训练现有的基于Transformer的语言模型架构来处理这些标记化的时间序列。其基于T5家族（参数范围从200万到7100万）预训练了Chronos模型，训练数据包括大量公开可用的数据集，并通过高斯过程生成的合成数据集来补充，以提高泛化能力。在包含42个数据集的全面基准测试中，作者展示了Chronos模型：(a) 在训练语料库中的数据集上显著优于其他方法；(b) 在新数据集上的零样本性能与其他专门针对它们训练的方法相当，有时甚至更优。结果表明，Chronos模型能够利用来自不同领域的时间序列数据，提高在未见预测任务上的零样本准确性，将预训练模型定位为一种可行的工具，极大地简化了预测流程。

4.Lag-Llama

论文标题：Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting

在过去的几年中，基础模型因其在零样本和少样本泛化方面的空前能力，在机器学习领域引发了一场范式转变。然而，尽管基础模型在自然语言处理和计算机视觉等模态上取得了成功，但针对时间序列预测的基础模型开发却相对滞后。本文提出了Lag-Llama，这是一款基于解码器Transformer架构的通用单变量概率时间序列预测基础模型，它将滞后值作为协变量。Lag-Llama在来自多个领域的多样化时间序列数据的大量语料库上进行了预训练，并在跨领域的下游数据集上与一系列预测模型相比，展现出了强大的零样本泛化能力。此外，当在这些之前未见数据集的相对较小部分上进行微调时，Lag-Llama实现了最先进的性能，超越了之前的深度学习方法，平均而言，成为最佳的通用模型。Lag-Llama作为时间序列预测领域现有技术的强大竞争者，并为未来针对时间序列数据定制的基础模型的进展铺平了道路。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

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】