Github
论文项目介绍：Time-LLM
背景简介
Time-LLM 是一个旨在将大型语言模型（LLMs）重新用于时间序列预测的框架。这一创新性的方法来自于这样一个理念：时间序列分析（如预测）实际上可以被视为一种“语言任务”，通过现成的语言模型来解决。
项目目标
Time-LLM 的核心在于不改变大型语言模型的基础架构，重新编程以在时间序列预测中发挥作用。通过这种方法，Time-LLM 已逐渐被应用于多种实际领域，如太阳能、风能以及天气预测等。
主要技术细节
Time-LLM 主要由两个关键组件构成：
-
输入重编程：这一部分将时间序列数据转化为更适合语言模型理解的文本原型表示。
-
上下文增强：通过加入声明式的提示（如领域专家知识与任务指令），指导语言模型进行推理。
技术要求
项目需要使用 Python 3.11，并依赖于多个库，如 torch、numpy、transformers 等。具体安装步骤为：
pip install -r requirements.txt
数据集
项目提供了处理好的数据集，可以从 Google Drive 下载并放置于指定文件夹下以便模型使用。
快速演示
用户可以通过以下步骤快速体验 Time-LLM：
- 下载并准备数据集。
- 调整并运行提供的实验脚本，如：
bash ./scripts/TimeLLM_ETTh1.sh
应用与扩展
Time-LLM 已被集成到多个开源项目中，如 NeuralForecast，还支持通过简单修改参数来切换不同的模型骨架（如 Llama-7B、GPT-2、BERT 等）。
未来发展
项目未来将继续扩展，旨在丰富时间序列预测相关功能，并进一步优化模型在不同任务中的表现。研究者鼓励社区成员参与其中，共同推动项目发展。
鸣谢
Time-LLM 项目的实现得益于多个开源库，如 Time-Series-Library 和 OFA (GPT4TS)，并在此基础上进行了大量改进。项目团队对这些库的作者表示由衷的感谢。
