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

Stel je een superintelligente robot voor die bijna elk boek ter wereld heeft gelezen (dit is een Large Language Model, of LLM). Het is uitstekend in het begrijpen van verhalen, het schrijven van gedichten en het chatten over geschiedenis. Maar als je het vraagt om de weersvoorspelling of aandelenkoersen te voorspellen door alleen een lijst met getallen te tonen, raakt het vaak in de war. Waarom? Omdat het getallen behandelt als woorden, waardoor het de verborgen patronen en ritmes mist die tijdreeksdata zo bijzonder maken.

Het artikel MAP4TS introduceert een nieuwe manier om met deze robot te communiceren, zodat het eindelijk de "taal" van getallen kan begrijpen. Denk hierbij aan het geven van een speciale instructiehandleiding aan de robot, geschreven in vier afzonderlijke secties, of prompts, om het te helpen het grote plaatje én de kleine details te zien.

Hieronder wordt uitgelegd hoe het kader werkt, met behulp van eenvoudige analogieën:

1. De Vier Speciale Instructies (De Prompts)

In plaats van de robot zomaar een lijst met getallen te geven, biedt MAP4TS vier specifieke "aanwijzingen" om het te helpen de data te begrijpen:

• De Global Domain Prompt (De "Grote Plaatje"-kaart):
  Stel je voor dat je probeert de temperatuur van morgen te raden. Voordat je naar de thermometer kijkt, vertel je de robot: "We bevinden ons in een woestijn in juli." Dit is de Global Prompt. Het geeft de robot de brede context van de hele dataset, zodat het de algemene regels van het spel kent.

• De Local Domain Prompt (De "Recente Geschiedenis"-snapshot):
  Nu laat je de robot zien wat er in het afgelopen uur is gebeurd. "De wind is net opgezet en de wolken bewegen snel." Dit is de Local Prompt. Het helpt de robot om de directe trends en specifieke gedragingen van de data op dit moment te begrijpen.

• De Statistical & Temporal Prompts (De "Detective-toolkit"):
  Dit is het meest unieke deel. De auteurs laten de robot niet zomaar gissen; ze geven het een detective-toolkit gebaseerd op wiskunde.

  • Statistical Prompts: Ze geven de robot een rapportkaart die laat zien hoe de data zichzelf herhaalt (zoals een hartslag) of hoe één getal het volgende beïnvloedt. Het is alsof je de robot vertelt: "Merk op dat elke keer als de temperatuur daalt, de luchtvochtigheid twee uur later stijgt."
  • Temporal Prompts: Ze gebruiken een speciale lens (Fourier-analyse) om de robot de verborgen ritmes en cycli in de data te tonen, zoals het constante ritme van een trommel of het getij dat in en uit komt.

2. Het Vertaalproces

Zodra de robot deze vier aanwijzingen plus de ruwe getallen heeft, doorloopt het een Cross-Modality Alignment Module. Denk hierbij aan een vertaalcabine. De robot neemt de "woord"-aanwijzingen (de prompts) en de "getal"-aanwijzingen (de data) en mengt ze samen tot één, verenigd begrip. Het is alsof je rode en blauwe verf mengt om paars te krijgen; de robot creëert een nieuw, rijker beeld van de data dat het daadwerkelijk kan verwerken.

3. De Resultaten: Slimmere Voorspellingen

De onderzoekers hebben deze methode getest op acht verschillende soorten data (zoals elektriciteitsverbruik, verkeer of weer). Ze ontdekten dat:

• MAP4TS wint: De robot met deze vier speciale instructies voorspelde de toekomst veel beter dan andere robots die zomaar probeerden te raden zonder hulp.
• Structuur telt: Het "prompt-bewuste" ontwerp maakte de voorspellingen van de robot veel stabieler en betrouwbaarder.
• Grootte is niet alles: Verrassend genoeg presteerde een kleiner, ouder robotmodel (GPT-2) beter op lange termijn dan een gigantisch, nieuw model (LLaMA) wanneer het kleinere model deze gestructureerde prompts kreeg. Het is alsof een ervaren kok met een goed receptenboek (GPT-2) een betere maaltijd bereidt dan een novice met een enorme bibliotheek aan ongeorganiseerde recepten (LLaMA).

Kortom: MAP4TS leert een taalexpert hoe het getallen moet lezen door het een gestructureerde gids te geven die het grote plaatje, de recente trends en de verborgen wiskundige ritmes benadrukt, wat resulteert in veel nauwkeurigere voorspellingen.