论文笔记：PromptCast: A New Prompt-based Learning Paradigm for Time Series Forecasting

TKDE 2023\

1 INTRO

• 提出了一种新的基于提示的预测范式，它不同于现有的预测方法。
  • 这是第一次以自然语言生成的方式解决一般时间序列预测问题。
• 针对新引入的任务，论文发布了一个包含311,932个数据实例的大规模数据集(PISA)。
  • 该数据集涵盖了不同的时间序列预测场景。
• 在拟议的PISA数据集上开发了一个基准，评估了最先进的基于数字的预测方法和流行的语言生成模型

2 方法

2.1 PISA 数据集

• 考虑了三个来自不同领域的真实世界预测场景

  • 城市温度（CT）：       

    • 这个数据源提供了全球多个城市的日平均温度（以华氏度计）。

    • 随机选择了110个国际城市来形成数据集。

  • 电力消耗负载（ECL）：

    • 原始数据包括321个用户的电力消耗值（以千瓦时计）。

    • 淘汰了记录不完整的用户，并随机选择了50个在整个收集期间数据完整的用户。

    • 此外，为每个选定用户的每小时使用量整合为日使用数据。

  • SafeGraph 人类移动性数据（SG）

    • 这个来自SafeGraph的周度模式的实际人类移动性数据包含访问兴趣点（POI）的每日原始访客计数。

    • 将数据收集期从5个月扩展到近15个月，然后随机选择了324个记录完整的POI。

2.2 方法

将时间序列转化为自然语言句子，让大模型微调

3 实验