LGTime：基于特征感知处理与多粒度融合的大语言模型零样本时间序列预测方法

本文推荐一种创新性时间序列预测方法LGTime，通过特征感知时间序列处理（FATP）和多粒度时序表征融合（MGTRF）技术，将大语言模型（LLMs）的语义理解能力与多元时间序列（MTS）分析相结合。该方法在ETT-small数据集上实现MSE 0.353的零样本预测性能，较现有LLM方法提升6%，显著增强了时间序列特征差异识别和跨尺度模式捕捉能力。

　　

Highlight

本研究提出LGTime框架，通过两大核心技术突破传统时间序列预测局限：1）特征感知处理（FATP）模块为每个时间序列特征定制语义编码，解决多维数据同质化处理问题；2）多粒度表征融合（MGTRF）模块通过分层时间尺度（小时/天/周）分析，同步捕捉短期波动x_t和长期趋势x_T。在电力变压器（ETT）数据集验证中，模型展现出卓越的零样本泛化能力。

Methodology

特征感知处理采用文本描述增强数值特征语义，如电力数据中的"油温"和"负载率"分别编码专业领域知识。多粒度融合则通过15分钟频率的循环聚合，构建包含高维嵌入空间的多尺度表征。实验证明该方法使LLMs对特征差异的敏感度提升40%，预测误差较PatchTST降低0.05 MAE。

Conclusion

LGTime的创新性体现在：1）突破传统统计方法的语义理解瓶颈；2）通过多尺度时序金字塔解决单粒度分析的局限性。未来可扩展至医疗时间序列（如ECG/EEG）分析，其特征感知机制特别适用于需要区分多生理信号的场景。该框架为时间序列分析提供了可解释性强的新范式。