AutoTimes: Autoregressive Time Series Forecasters via Large Language Models

要解决的问题：

1.之前based LLM的方法可能会忽视时间序列和自然语言的一致性，导致LLM潜力的利用不足

提出：

1.将LLM重新用作自回归时间序列预测器，他能够处理灵活的序列长度

2.提出token-wise prompting, 利用相应的时间戳使我们的方法适用于多模式场景

our approach establishes similar tokenization of

time series by the next token prediction, adopts the same au-

toregressive generation for inference, and freezes the blocks

of LLMs to fully reutilize the inherent token transition.

我们的方法通过下一个令牌预测建立了时间序列的类似令牌化，采用相同的自回归生成进行推理，并冻结LLM的块以充分利用固有的令牌转换。

优点：

1.继承了LLM的零值预测和上下文学习能力

2.表现出显著的方法通用性，并且可以通过更大的LLM，额外的文本或时间序列作为指令来实现增强的性能

方法Method：

时间序列编码：

AutoTimes：利用LLM重新定义自回归时间序列预测

补充：线性层和MLP

python 复制代码

if configs.mlp_hidden_layers == 0:
            if not configs.use_multi_gpu or (configs.use_multi_gpu and configs.local_rank == 0):
                print("use linear as tokenizer and detokenizer")
            self.encoder = nn.Linear(self.token_len, self.hidden_dim_of_llama)
            self.decoder = nn.Linear(self.hidden_dim_of_llama, self.token_len)
        else:
            if not configs.use_multi_gpu or (configs.use_multi_gpu and configs.local_rank == 0):
                print("use mlp as tokenizer and detokenizer")
            self.encoder = MLP(self.token_len, self.hidden_dim_of_llama, 
                            configs.mlp_hidden_dim, configs.mlp_hidden_layers, 
                            configs.dropout, configs.mlp_activation)
            self.decoder = MLP(self.hidden_dim_of_llama, self.token_len,
                            configs.mlp_hidden_dim, configs.mlp_hidden_layers,
                            configs.dropout, configs.mlp_activation)

假设我们有一个简单的二维数据集，包含两个特征：X1 和 X2。我们想要使用线性变换和多层感知机来对这个数据集进行处理。

线性变换：

假设我们有一个线性变换模型，该模型由一个线性层组成，其形式为：

```

y = W * x + b

```

其中，W 是权重矩阵，b 是偏置向量，x 是输入特征向量，y 是输出特征向量。

在这个简单的例子中，我们的线性模型如下：

```

y = w1 * X1 + w2 * X2 + b

```

这个模型对应于一个二维平面上的一条直线，它可以捕捉到数据中的线性关系。例如，如果我们的数据集呈现出明显的线性关系，那么线性变换模型可以很好地拟合这个数据集。

多层感知机（MLP）：

假设我们有一个包含一个隐藏层的多层感知机模型，该模型由多个全连接层和非线性激活函数组成。

```

h = activation(W1 * x + b1)

y = W2 * h + b2

```

其中，W1 和 W2 是权重矩阵，b1 和 b2 是偏置向量，activation 是非线性激活函数，x 是输入特征向量，h 是隐藏层输出特征向量，y 是最终输出特征向量。

在这个简单的例子中，我们的多层感知机模型如下：

```

h = tanh(w1 * X1 + w2 * X2 + b1)

y = w3 * h + b2

```

其中，tanh 是双曲正切激活函数。这个模型通过隐藏层中的非线性激活函数，可以学习到数据中更复杂的非线性关系。例如，如果我们的数据集不仅呈现出线性关系，还有一些非线性特征，那么多层感知机模型可以更好地拟合这个数据集。

总结：

线性变换适用于简单的线性数据，可以捕捉到数据中的线性关系。
多层感知机适用于处理更复杂的非线性数据，通过多个非线性激活函数可以学习到数据中更复杂的非线性特征。