想要了解更多资讯，请扫描下方二维码，关注机器学习研究会图片转自：新智元

机器学习研究组订阅 · 公众号 · AI · 2025-06-17 18:35

主要观点总结

该文章研究了中国科学技术大学团队利用名为TimeReasoner的框架对时间序列预测（TSF）中慢思考大语言模型（LLMs）的推理能力进行的实证研究。文章介绍了研究背景、论文标题和地址、研究动机、模型方法以及实验分析等关键内容。重点介绍了TimeReasoner框架的设计和评估结果，探讨了LLMs在TSF中的潜力和局限性。

关键观点总结

关键观点1: 研究背景与目的

时间序列预测是金融、能源、医疗等领域的基石性任务，传统方法多侧重于模式提取和直接数值映射，而可能忽略时序动态和上下文依赖的显式推理过程。研究团队希望通过TimeReasoner框架，探讨慢思考大语言模型在时间序列预测任务中的推理能力，尤其是在零样本场景下的潜力。

关键观点2: TimeReasoner框架介绍

TimeReasoner将时间序列预测构建为一个条件推理问题，通过LLM对结构化的自然语言提示进行解释来生成预测。其核心框架包括混合指令（包含原始尺度时间序列、时间戳特征、上下文特征描述）和三种不同的推理范式：单次推理、解耦推理和滚动推理。

关键观点3: 实验分析与结果

研究团队在多个公开的TSF基准数据集上对TimeReasoner进行了广泛评估，并与多种深度学习基线模型及其他基于LLM的方法进行了比较。实验结果表明，TimeReasoner在处理包含缺失值的原始输入时展现了一定的鲁棒性，并且在不同设置下（如窗口长度、缺失数据、Prompt组件、推理参数）对LLM预测行为的影响进行了系统分析。