CTRL：基于控制的时间序列预测与 LLM 引导的残差学习

时间序列预测支撑着不同领域的关键决策。虽然大型语言模型 (LLM) 提供了有前景的推理能力，但现有的基于 LLM 的时间序列预测方法要么将其简化为绕过其优势的数值预测器，要么允许直接生成预测，从而破坏非平稳环境中的预测稳定性。我们引入了 CTRL，一个将语义推理与定量预测分离的框架。冻结的主干网生成基本预测，而专门的 LLM 代理则充当控制器，通过分解的趋势、季节性和不规则成分来分析主干网预测误差，并在可解释的时间结构中进行基础推理。每个代理输出紧凑的控制信号，轻量级残差解码器将其转换为预测校正。 CTRL 结合了无标签测试时间适应，可仅从输入统计数据中检测分布变化，并通过缓存仅通过 3-24 个 LLM 调用重新适应控制信号。 CTRL 的明确设计目的是提高非平稳时间动态和分布变化下的鲁棒性，同时在自适应校正提供有限额外优势的高度平稳时间序列上保持竞争力。