MAP4TS: A Multi-Aspect Prompting Framework for Time-Series Forecasting with Large Language Models
文章核心总结本文提出MAP4TS，一种将经典时间序列分析融入提示设计的多维度提示框架，用于大语言模型（LLM）的时间序列预测。核心解决现有LLM-based方法忽视时间序列特有统计属性和时序依赖的问题，通过四种专项提示组件与跨模态对齐模块，实现更精准、稳健的预测，在8个数据集上优于现有SOTA方法。主要创新点首个系统整合经典时序分析的提示框架：将自相关（ACF）、偏自相关（PACF）、傅里叶分析等传统方法编码为提示，填补LLM与时序数据特性的适配缺口。四维度专项提示设计：覆盖全局域（数据集上下文）、局部域（近期趋势）、统计（均值、趋势/季节性）、时序（经典建模知识）四大核心维度，全面捕捉时序数据特征。跨模态对齐架构：通过交叉注意力机制融合文本提示嵌入与数值时序嵌入，解决模态差异问题，实现语义与数值信息的联合推理。架构兼容性验证：证明中等规模LLM（如GPT-2）搭配结构化提示，在长期预测任务中性能优于更大模型（如LLaMA 3.1 8B），强调提示设计而非模型规模的关键作用。翻译部分（Markdown格式）Abstract近年来，研究人员通过将数值输入与大语言模型（LLM）的嵌入空间对齐，探索了预训练大语言模型
