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

想象一下，你拥有一个超级聪明的机器人，它几乎读遍了世界上所有的书（这就是大型语言模型，或 LLM）。它非常擅长理解故事、创作诗歌以及谈论历史。但如果你只是给它一串数字，让它预测天气或股票价格，它往往会感到困惑。为什么呢？因为它把数字当作文字来处理，忽略了使时间序列数据变得独特的隐藏模式和节奏。

论文MAP4TS提出了一种与这个机器人交流的新方法，使其最终能够理解数字的“语言”。这就像给机器人一本特殊的操作手册，分为四个截然不同的部分，或者说四个提示（prompts），以帮助它看清宏观大局与微观细节。

以下是该框架的运作方式，采用简单的类比：

1. 四条特殊指令（提示）

MAP4TS 不是简单地将一串数字扔给机器人，而是给它四个具体的“线索”，帮助它理解数据：

• 全局域提示（“大局”地图）：
  想象你试图预测明天的气温。在查看温度计之前，你告诉机器人：“我们正处于七月的沙漠中。”这就是全局提示。它为机器人提供了整个数据集的广泛背景，使其了解游戏的基本规则。

• 局部域提示（“近期历史”快照）：
  现在，你向机器人展示过去一小时发生的情况。“风刚刚刮起，云朵正在快速移动。”这就是局部提示。它帮助机器人理解数据此刻的即时趋势和具体行为。

• 统计与时域提示（“侦探的工具包”）：
  这是最独特的部分。作者没有让机器人凭空猜测，而是基于数学赋予它一个侦探的工具包。

  • 统计提示： 他们递给机器人一份成绩单，展示数据如何自我重复（像心跳一样）或一个数字如何影响下一个数字。这就像告诉机器人：“注意，每次气温下降，两小时后湿度就会上升。”
  • 时域提示： 他们使用一种特殊的透镜（傅里叶分析）向机器人展示数据中隐藏的节奏和周期，就像鼓点的稳定节拍或潮汐的涨落。

2. 翻译过程

一旦机器人拥有了这四个线索加上原始数字，它就会通过一个跨模态对齐模块。这就像是一个翻译亭。机器人将“文字”线索（提示）和“数字”线索（数据）融合在一起，形成单一、统一的理解。这就像将红色和蓝色颜料混合得到紫色；机器人创造了一种它真正能够处理的、更丰富的数据视图。

3. 结果：更智能的预测

研究人员在八种不同类型的数据（如电力消耗、交通或天气）上测试了这种方法。他们发现：

• MAP4TS 胜出： 拥有这四条特殊指令的机器人，比那些试图在没有帮助的情况下凭空猜测的其他机器人，能更好地预测未来。
• 结构至关重要： “提示感知”的设计使机器人的预测更加稳定和可靠。
• 规模并非一切： 令人惊讶的是，当较小的旧模型（GPT-2）获得这些结构化提示时，它在长期预测方面的表现优于巨大且较新的模型（LLaMA）。这就像一位拥有良好食谱书的资深厨师（GPT-2）做出的饭菜，比一位拥有海量但杂乱无章食谱库的新手（LLaMA）做得更好。

简而言之： MAP4TS 通过提供一份结构化指南，教会了一位语言专家如何阅读数字，该指南突出了宏观大局、近期趋势以及隐藏数学节奏，从而实现了更准确的预测。