MAP4TS: A Multi-Aspect Prompting Framework for Time-Series Forecasting with Large Language Models

Stellen Sie sich vor, Sie hätten einen superschlauen Roboter, der fast jedes Buch der Welt gelesen hat (dies ist ein Large Language Model oder LLM). Er ist hervorragend darin, Geschichten zu verstehen, Gedichte zu schreiben und über Geschichte zu plaudern. Doch wenn Sie ihn bitten, das Wetter oder Aktienkurse vorherzusagen, indem Sie ihm lediglich eine Liste von Zahlen zeigen, gerät er oft in Verwirrung. Warum? Weil er Zahlen wie Wörter behandelt und dabei die verborgenen Muster und Rhythmen übersieht, die Zeitreihendaten besonders machen.

Die Arbeit MAP4TS stellt eine neue Art vor, mit diesem Roboter zu sprechen, damit er endlich die „Sprache" der Zahlen versteht. Stellen Sie sich vor, Sie geben dem Roboter eine spezielle Anleitung, die in vier distincte Abschnitte unterteilt ist, oder Prompts, um ihm zu helfen, sowohl das große Ganze als auch die kleinen Details zu erkennen.

So funktioniert das Framework, unter Verwendung einfacher Analogien:

1. Die vier speziellen Anweisungen (Die Prompts)

Anstatt dem Roboter einfach eine Liste von Zahlen vorzulegen, gibt MAP4TS ihm vier spezifische „Hinweise", um ihm zu helfen, die Daten zu verstehen:

• Der Global Domain Prompt (Die „Großbild"-Karte):
  Stellen Sie sich vor, Sie versuchen, die Temperatur für morgen zu erraten. Bevor Sie auf das Thermometer schauen, sagen Sie dem Roboter: „Wir befinden uns im Juli in einer Wüste." Dies ist der Global Prompt. Er gibt dem Roboter den breiten Kontext des gesamten Datensatzes, damit er die allgemeinen Regeln des Spiels kennt.

• Der Local Domain Prompt (Der „neueste Geschichte"-Schnappschuss):
  Nun zeigen Sie dem Roboter, was in der letzten Stunde passiert ist. „Der Wind hat gerade aufgefrischt, und die Wolken ziehen schnell." Dies ist der Local Prompt. Er hilft dem Roboter, die unmittelbaren Trends und spezifischen Verhaltensweisen der Daten gerade jetzt zu verstehen.

• Die Statistical & Temporal Prompts (Das „Detektiv-Werkzeugset"):
  Dies ist der einzigartigste Teil. Die Autoren lassen den Roboter nicht einfach raten; sie geben ihm ein auf Mathematik basierendes Detektiv-Werkzeugset.

  • Statistical Prompts: Sie übergeben dem Roboter einen Bericht, der zeigt, wie sich die Daten wiederholen (wie ein Herzschlag) oder wie eine Zahl die nächste beeinflusst. Es ist, als würden Sie dem Roboter sagen: „Beachten Sie, dass jedes Mal, wenn die Temperatur sinkt, die Luftfeuchtigkeit zwei Stunden später steigt."
  • Temporal Prompts: Sie verwenden eine spezielle Linse (Fourier-Analyse), um dem Roboter die verborgenen Rhythmen und Zyklen in den Daten zu zeigen, wie den gleichmäßigen Schlag einer Trommel oder die Ebbe und Flut.

2. Der Übersetzungsprozess

Sobald der Roboter diese vier Hinweise sowie die rohen Zahlen hat, durchläuft er ein Cross-Modality Alignment Module. Stellen Sie sich dies als ein Dolmetscher-Booth vor. Der Roboter nimmt die „Wort"-Hinweise (die Prompts) und die „Zahlen"-Hinweise (die Daten) und verschmilzt sie zu einem einzigen, vereinten Verständnis. Es ist wie das Mischen von roter und blauer Farbe, um Lila zu erhalten; der Roboter erstellt eine neue, reichhaltigere Sicht auf die Daten, die er tatsächlich verarbeiten kann.

3. Die Ergebnisse: Intelligenter Vorhersagen

Die Forscher testeten diese Methode an acht verschiedenen Datentypen (wie Stromverbrauch, Verkehr oder Wetter). Sie stellten fest, dass:

• MAP4TS gewinnt: Der Roboter mit diesen vier speziellen Anweisungen sagte die Zukunft viel besser vorher als andere Roboter, die einfach ohne Hilfe zu raten versuchten.
• Struktur ist wichtig: Das „prompt-bewusste" Design machte die Vorhersagen des Roboters viel stabiler und zuverlässiger.
• Größe ist nicht alles: Überraschenderweise schnitt ein kleineres, älteres Robotermodell (GPT-2) bei langfristigen Vorhersagen besser ab als ein riesiges, neueres Modell (LLaMA), wenn dem kleineren diese strukturierten Prompts gegeben wurden. Es ist wie ein erfahrener Koch mit einem guten Rezeptbuch (GPT-2), der ein besseres Mahl kocht als ein Anfänger mit einer riesigen Bibliothek unorganisierter Rezepte (LLaMA).

Kurz gesagt: MAP4TS lehrt einen Sprachexperten, Zahlen zu lesen, indem es ihm einen strukturierten Leitfaden gibt, der das große Ganze, die aktuellen Trends und die verborgenen mathematischen Rhythmen hervorhebt, was zu viel genaueren Vorhersagen führt.