用LLM做时间序列可解释的数据驱动洞察生成

摘要

时间序列预测广泛用于决策关键领域，其消费几乎总伴随解释。产出这类解释通常是人工且昂贵的过程，用大语言模型自动化的尝试在时间数据上常出现幻觉。我们提出一个领域无关的框架，为时间序列预测生成有据的自然语言解释（见图1）。框架含三个组件：（i）从历史分析师撰写的解释中抽取结构化解释因子；（ii）证据条件化的解释生成；（iii）对可读性、逻辑一致性与说服力的可扩展评估。设计显式把生成约束到可验证证据上，减少无支撑论断。我们在涉及纳斯达克100指数的金融预测案例与使用Vortexa数据的运价案例上评估。结果显示，生成的解释在可读性、一致性与说服力上接近分析师撰写的解释。这些发现表明，时间序列预测的有据解释生成可以规模化实现，且无需领域特定微调。

用LLM做时间序列可解释的数据驱动洞察生成：论文配图 — 图 1. 用于为时间序列预测生成扎根自然语言解释的模块化框架。说明生成扎根解释的端到端框架的框图。在左侧，分析师编写的解释被输入到标记为“历史因素提取”的模块，其中包括因素提取、聚类和属性重要性。提取的数据与外部数据一起流入标记为“基础和报告生成”的中央模块，包括证据检索、证据编码和报告生成。该模块输出生成的解释，该解释被传递到右侧的“评估”模块，该模块评估可读性、推理的一致性和说服力。显示评估结果通过细化循环反馈到基础和报告生成模块。