PaP-NF：通过前缀即提示重新编程和标准化流程进行概率长期时间序列预测

时间序列预测在许多实际应用中发挥着核心作用，并得到了广泛的研究。大多数现有方法依赖于确定性模型。然而，现实世界的环境表现出固有的不确定性和复杂的未来行为，使得单点预测是不够的。这凸显了对能够量化和表示不确定性的概率预测方法的需求。在这项工作中，我们提出了 PaP-NF，一种概率预测框架，它使用前缀即提示机制将连续时间序列表示与冻结的 大语言模型 (LLM) 对齐，并在 LLM 提取的全局上下文上条件化归一化流解码器。使用连续排名概率得分 (CRPS)（概率预测中的标准指标）来评估生成的预测分布的质量。在各种长期预测基准中，PaP-NF 可以稳健地捕获多模式不确定性，同时保持有竞争力的点预测准确性。官方实现位于：https://github.com/democracy04/PaP-NF