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

कल्पना कीजिए कि आपके पास एक सुपर-स्मार्ट रोबोट है जिसने दुनिया की लगभग हर किताब पढ़ ली है (यह एक लार्ज लैंग्वेज मॉडल (LLM) है)। यह कहानियों को समझने, कविताएँ लिखने और इतिहास पर चर्चा करने में माहिर है। लेकिन यदि आप इसे केवल संख्याओं की एक सूची दिखाकर मौसम या शेयर की कीमतों की भविष्यवाणी करने के लिए कहते हैं, तो यह अक्सर भ्रमित हो जाता है। ऐसा इसलिए है क्योंकि यह संख्याओं को शब्दों की तरह मानता है, जिससे वह उन छिपे हुए पैटर्न और लय को नहीं देख पाता जो टाइम-सीरीज डेटा (time-series data) को खास बनाते हैं।

MAP4TS नामक शोध पत्र इस रोबोट से बात करने का एक नया तरीका पेश करता है ताकि यह अंततः संख्याओं की "भाषा" को समझ सके। इसे इस तरह समझें जैसे रोबोट को एक विशेष निर्देश पुस्तिका दी जा रही है, जो चार अलग-अलग अनुभागों, या प्रॉम्प्ट्स (prompts) में लिखी गई है, ताकि यह बड़े परिदृश्य और सूक्ष्म विवरणों को देख सके।

यह फ्रेमवर्क कैसे काम करता है, इसके लिए सरल उपमाओं का उपयोग किया गया है:

1. चार विशेष निर्देश (प्रॉम्प्ट्स)

रोबोट पर केवल संख्याओं की सूची थोपने के बजाय, MAP4TS उसे समझने में मदद करने के लिए चार विशिष्ट "सुराग" देता है:

• ग्लोबल डोमेन प्रॉम्प्ट (The "Big Picture" Map - व्यापक परिदृश्य का मानचित्र):
  कल्पना कीजिए कि आप कल के तापमान का अनुमान लगाने की कोशिश कर रहे हैं। थर्मामीटर देखने से पहले, आप रोबोट को बताते हैं, "हम जुलाई के महीने में एक रेगिस्तान में हैं।" यह ग्लोबल प्रॉम्प्ट है। यह रोबोट को पूरे डेटासेट का व्यापक संदर्भ देता है ताकि उसे पता चल सके कि खेल के सामान्य नियम क्या हैं।

• लोकल डोमने प्रॉम्प्ट (The "Recent History" Snapshot - हालिया इतिहास की झलक):
  अब, आप रोबोट को दिखाते हैं कि पिछले एक घंटे में क्या हुआ। "हवा अभी तेज हुई है, और बादल तेजी से बढ़ रहे हैं।" यह लोकल प्रॉम्प्ट है। यह रोबोट को वर्तमान में डेटा के तत्काल रुझानों और विशिष्ट व्यवहारों को समझने में मदद करता है।

• सांख्यिकीय और टेम्पोरल प्रॉम्प्ट्स (The "Detective's Toolkit" - जासूसी किट):
  यह सबसे अनूठा हिस्सा है। लेखक केवल रोबोट को अनुमान लगाने नहीं देते; वे उसे गणित पर आधारित एक जासूसी किट देते हैं।

  • सांख्यिकीय प्रॉम्प्ट्स (Statistical Prompts): वे रोबोट को एक रिपोर्ट कार्ड सौंपते हैं जो यह दिखाता है कि डेटा खुद को कैसे दोहराता है (जैसे दिल की धड़कन) या एक संख्या दूसरी संख्या को कैसे प्रभावित करती है। यह रोबोट को यह बताने जैसा है कि, "ध्यान दें कि हर बार जब तापमान गिरता है, तो दो घंटे बाद आर्द्रता (humidity) बढ़ जाती है।"
  • टेम्पोरल प्रॉम्प्ट्स (Temporal Prompts): वे एक विशेष लेंस (फूरियर विश्लेषण) का उपयोग करते हैं ताकि रोबोट को डेटा के छिपे हुए लय और चक्रों को दिखाया जा सके, जैसे ड्रम की स्थिर थाप या आती-जाती लहरें।

2. अनुवाद प्रक्रिया (The Translation Process)

एक बार जब रोबोट के पास ये चार सुराग और कच्ची संख्याएं आ जाती हैं, तो वह एक क्रॉस-मोडैलिटी एलाइनमेंट मॉड्यूल (Cross-Modality Alignment Module) से गुजरता है। इसे एक अनुवादक बूथ की तरह समझें। रोबोट इन "शब्द" वाले सुरागों (प्रॉम्प्ट्स) और "संख्या" वाले सुरागों (डेटा) को लेता है और उन्हें एक एकल, एकीकृत समझ में मिला देता है। यह लाल और नीले रंग को मिलाकर बैंगनी रंग बनाने जैसा है; रोबोट डेटा का एक नया, अधिक समृद्ध दृश्य बनाता है जिसे वह वास्तव में प्रोसेस कर सकता है।

3. परिणाम: स्मार्ट भविष्यवाणियाँ

शोधकर्ताओं ने आठ अलग-अलग प्रकार के डेटा (जैसे बिजली का उपयोग, ट्रैफ़िक या मौसम) पर इस पद्धति का परीक्षण किया। उन्होंने पाया कि:

• MAP4TS जीतता है: इन चार विशेष निर्देशों वाला रोबोट, अन्य रोबोटों की तुलना में बहुत बेहतर भविष्यवाणी करता है जो बिना किसी मदद के केवल अनुमान लगाने की कोशिश करते हैं।
• संरचना मायने रखती है: "प्रॉम्प्ट-अवेयर" डिज़ाइन ने रोबोट की भविष्यवाणियों को बहुत अधिक स्थिर और विश्वसनीय बना दिया।
• आकार ही सब कुछ नहीं है: आश्चर्यजनक रूप से, एक छोटा और पुराना रोबोट मॉडल (GPT-2), एक विशाल और नए मॉडल (LLaMA) की तुलना में लंबी अवधि की भविष्यवाणियों में बेहतर प्रदर्शन करता है जब उसे ये संरचित प्रॉम्प्ट दिए जाते हैं। यह एक अनुभवी शेफ के साथ एक अच्छी रेसिपी बुक (GPT-2) के होने जैसा है, जो बिना व्यवस्थित रेसिपी वाली एक विशाल लाइब्रेरी वाले नौसिखिए की तुलना में बेहतर भोजन बना रहा है (LLaMA)।

संक्षेप में: MAP4TS एक भाषा विशेषज्ञ को संख्याएं पढ़ना सिखाता है, उसे एक संरचित मार्गदर्शिका देकर जो बड़े परिदृश्य, हालिया रुझानों और छिपी हुई गणितीय लय को उजागर करती है, जिसके परिणामस्वरूप बहुत अधिक सटीक पूर्वानुमान प्राप्त होते हैं।