高效选择时序预测模型：LLM的新用场

时间序列预测在金融、医疗、能源、零售等众多领域有着广泛的应用。然而，为各种时间序列选择合适的预测模型往往是一项复杂、耗时的任务，传统上依赖于专业经验、人工分析、特征工程、手动调参、以及足够的计算资源。近年来出现的元学习（Meta-Learning）方法[1][2]虽然能在一定程度上自动化这项工作，但通常需要大量的计算，例如针对众多模型、超参、以及数据集的组合构建大型的性能矩阵，用于评估预测性能，具有较高的计算和时间成本。

将大语言模型（LLM）用于时序预测的模型选择，在近期的一篇论文[3]中被首次提出。这种基于LLM的模型选择方法无需构建性能矩阵，计算主要涉及LLM的推理，计算速度较快，大大降低了计算开销；同时，这种基于LLM的模型选择方法在多个数据集上的测试结果明显优于多种基线方法。

方法简介

上述论文[3]中提出的基于LLM的方法并不复杂：将时间序列数据集、备选模型等加入到LLM的提示语中，由LLM的推理得出预测模型和超参的选择，使用所选的预测模型和超参计算时间序列数据集的预测，并评估预测。

在LLM的提示语中，可以选择增加以下的内容：

• 时间序列数据集的元特征（Meta-Features），包括统计分布特征、信息论方面的特征（例如熵）、频谱特征等；
• 思维链（Chain-of-Thought）的使用，即指示LLM一步步地给出结果。

实验设置

基线模型选择方法包括：

• 从备选的多个模型中随机选择模型；
• 不进行选择，直接使用GitHub上最流行的Prophet模型；
• 不进行选择，直接使用7种SO