论文
CAARL：可解释的协同进化时间序列预测的上下文学习
CAARL: In-Context Learning for Interpretable Co-Evolving Time Series Forecasting
摘要
在本文中，我们研究了使用 LLM 大语言模型 方法预测具有复杂依赖关系和非平稳动态特征的协同演化时间序列。我们提出了一种名为 ContextAware ARLM CAARL 的新颖建模方法，该方法提供了一个可解释的框架来解码影响协同演化序列变化的上下文动态 CAARL 将时间序列分解为自回归片段，构建时间依赖图，并将该图序列化为叙述，以允许通过LLM 这种设计产生了一条类似思想的推理路径，其中中间步骤捕获上下文动态并以透明的方式指导预测通过将预测与显式推理轨迹联系起来，CAARL 增强了可解释性，同时保持了准确性。在现实数据集上进行的实验验证了其有效性，将 CAARL 定位为最先进预测方法的竞争性和可解释性替代方案