LLM 作为预测规划器：时间序列基础模型的 无需训练 文本调节

文本条件时间序列预测根据其数值历史和自然语言上下文来预测一系列事件，从而使预测能够解释仅过去无法揭示的事件和约束。这需要可靠的数值预测和解释上下文信息的能力。时间序列基础模型 (TSFM) 提供强大的数值预测，而 大语言模型 (LLM) 可以对文本进行推理，但结合它们的优势仍然具有挑战性，因为要求 LLM 直接生成或修改预测值可能会扭曲 TSFM 捕获的时间结构。相反，我们将预测制定为 TSFM 生成轨迹的规划问题。冻结的 TSFM 充当提出数值延续的模拟器，而 LLM 充当指导候选人选择并根据上下文评估完整轨迹的策略和价值函数。我们将其实例化为 \rc{} (\textbf{L}LM \textbf{A}s \textbf{F}orecasting \textbf{P}lanner)，这是一个 无需训练 框架，它在不重新训练任一模型的情况下弥合模态差距，在预测范围内使用蒙特卡罗树搜索 (MCTS)，以 \emph{Ranker} LLM 作为策略， \emph{判断} LLM 作为价值函数。跨两个 TSFM 主干（Chronos 和 TimesFM）和四个 LLM 的 Context-is-Key 和 Time-MMD 实验表明，\rc{} 在模型选择上提供了一致的改进，支持顺序搜索作为文本条件预测的有效 无需训练 方法。