论文
预测不可预测的情况：短期观测下基于 LLM 的长期混沌时间序列预测
Predicting the Unpredictable: LLM-powered Long-term Chaotic Time Series Forecasting under Short-term Observations
摘要
混沌时间序列预测由于其对初始条件的敏感性和长期的不可预测性而成为一项具有挑战性的任务。传统方法通常依赖于足够的时间轨迹来学习长期动态，这限制了它们在只有短期观察可用时的适用性。虽然最近的 大语言模型 (LLM) 在时间序列预测方面显示出巨大的潜力，但它们的时间表示并未明确适应混沌系统的相空间结构和非线性演化。为了解决这些问题，我们提出了 PAC-LLM，这是一种由 LLM 提供支持的用于长期混沌时间序列预测的相空间感知自适应融合框架。 PAC-LLM 利用学习的相空间特征和文本信息来充分启用 LLM 的时间序列预测能力。特别是，我们设计了用于多元耦合信息融合和选择的辅助特征模块和门控加权机制。对代表性混沌系统的大量实验表明，我们的方法在短期和长期预测方面都优于现有的微调和零样本基线。我们的消融研究进一步证实了 PAC-LLM 中每个关键组件的有效性。