論文の概要: MAP4TS: A Multi-Aspect Prompting Framework for Time-Series Forecasting with Large Language Models

• arxiv url: http://arxiv.org/abs/2510.23090v1
• Date: Mon, 27 Oct 2025 07:51:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.491342
• Title: MAP4TS: A Multi-Aspect Prompting Framework for Time-Series Forecasting with Large Language Models
• Title（参考訳）: MAP4TS:大規模言語モデルを用いた時系列予測のためのマルチアスペクトプロンプトフレームワーク
• Authors: Suchan Lee, Jihoon Choi, Sohyeon Lee, Minseok Song, Bong-Gyu Jang, Hwanjo Yu, Soyeon Caren Han,
• Abstract要約: MAP4TSは、古典的な時系列分析をプロンプト設計に明示的に組み込んだ、新しいマルチアスペクト・プロンプトフレームワークである。 我々のフレームワークでは、データセットレベルのコンテキストを伝達するGlobal Domain Prompt、最近のトレンドとシリーズ固有の振る舞いをエンコードするLocal Domain Prompt、手作りの洞察を埋め込む統計的および時間的Promptという4つの特別なプロンプトコンポーネントを導入しています。
• 参考スコア（独自算出の注目度）: 21.55012962327603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances have investigated the use of pretrained large language models (LLMs) for time-series forecasting by aligning numerical inputs with LLM embedding spaces. However, existing multimodal approaches often overlook the distinct statistical properties and temporal dependencies that are fundamental to time-series data. To bridge this gap, we propose MAP4TS, a novel Multi-Aspect Prompting Framework that explicitly incorporates classical time-series analysis into the prompt design. Our framework introduces four specialized prompt components: a Global Domain Prompt that conveys dataset-level context, a Local Domain Prompt that encodes recent trends and series-specific behaviors, and a pair of Statistical and Temporal Prompts that embed handcrafted insights derived from autocorrelation (ACF), partial autocorrelation (PACF), and Fourier analysis. Multi-Aspect Prompts are combined with raw time-series embeddings and passed through a cross-modality alignment module to produce unified representations, which are then processed by an LLM and projected for final forecasting. Extensive experiments across eight diverse datasets show that MAP4TS consistently outperforms state-of-the-art LLM-based methods. Our ablation studies further reveal that prompt-aware designs significantly enhance performance stability and that GPT-2 backbones, when paired with structured prompts, outperform larger models like LLaMA in long-term forecasting tasks.
• Abstract（参考訳）: 近年,LLM埋め込み空間に数値入力を整列させて時系列予測に事前訓練された大言語モデル (LLM) を用いることが検討されている。 しかし、既存のマルチモーダルアプローチは、しばしば時系列データの基本となる異なる統計的性質と時間的依存関係を見落としている。 このギャップを埋めるために,従来の時系列解析を即時設計に明示的に組み込んだ新しいマルチアスペクト・プロンプトフレームワークMAP4TSを提案する。 本フレームワークでは,データセットレベルのコンテキストを伝達するGlobal Domain Prompt,最近のトレンドやシリーズ固有の振る舞いを符号化するLocal Domain Prompt,自動相関(ACF),部分自己相関(PACF),フーリエ分析(Fourier analysis)から導かれる手作りの洞察を組み込んだ統計的および時間的プロンプトの4つを紹介する。 マルチアスペクトプロンプトは、生の時系列埋め込みと組み合わせて、モダリティのアライメントモジュールを通過して統一表現を生成し、LLMによって処理され、最終的な予測のために投影される。 8つの多様なデータセットにわたる大規模な実験により、MAP4TSは最先端のLCMベースの手法を一貫して上回っている。 我々のアブレーション研究は、プロンプト認識設計により性能安定性が著しく向上し、GPT-2バックボーンが構造化プロンプトと組み合わせられた場合、長期予測タスクにおいてLLaMAのような大型モデルよりも優れていることを示した。

関連論文リスト

• MLLM4TS: Leveraging Vision and Multimodal Language Models for General Time-Series Analysis [35.17244645389017]
  MLLM4TSは,マルチモーダルな大規模言語モデルを利用して時系列解析を行う新しいフレームワークである。 各時系列チャンネルは、1つの合成画像において水平に重ねられたカラー符号化された線プロットとして描画される。 時間対応の視覚パッチアライメント戦略では、視覚パッチを対応する時間セグメントにアライメントする。
  論文  参考訳（メタデータ） (2025-10-08T20:22:39Z)
• Adapting LLMs to Time Series Forecasting via Temporal Heterogeneity Modeling and Semantic Alignment [32.41581846555808]
  大規模言語モデル(LLM)は、最近、自然言語処理における印象的な能力を実証した。 時間的アライメントのモデル化と意味的アライメントの強化によりLLMに基づく予測を強化する統合フレームワークであるTALONを提案する。 7つの実世界のベンチマークの実験では、TALONはすべてのデータセットで優れたパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2025-08-10T06:06:19Z)
• Time-RA: Towards Time Series Reasoning for Anomaly with LLM Feedback [55.284574165467525]
  Time-RA(Time-Series Reasoning for Anomaly)は、時系列異常検出を生成的、推論集約的なタスクに変換する。 また,実世界のマルチモーダルベンチマークデータセットであるRATs40Kを導入する。
  論文  参考訳（メタデータ） (2025-07-20T18:02:50Z)
• Time-Prompt: Integrated Heterogeneous Prompts for Unlocking LLMs in Time Series Forecasting [4.881217428928315]
  時系列予測は、変数間の時間的依存関係を将来の状態推論のためにモデル化することを目的としている。 近年の研究では,大規模言語モデル (LLM) が時系列予測において有望な性能を達成することが示されている。 マルチプロンプト情報とモーダル間セマンティックアライメントを組み合わせたLLMベースの時系列予測フレームワークLLM-Promptを提案する。
  論文  参考訳（メタデータ） (2025-06-21T08:22:25Z)
• When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
  このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。 その結果,マルチモーダリティの利点は条件に依存していることが判明した。 我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
  論文  参考訳（メタデータ） (2025-06-20T23:55:56Z)
• LLM-PS: Empowering Large Language Models for Time Series Forecasting with Temporal Patterns and Semantics [56.99021951927683]
  Time Series Forecasting (TSF) は、金融計画や健康モニタリングなど、多くの現実世界のドメインにおいて重要である。 既存のLarge Language Models (LLM) は通常、時系列データ固有の特性を無視するため、非最適に実行する。 時系列データから基本的なtextitPatterns と有意義な textitSemantics を学習し,TLF のための LLM-PS を提案する。
  論文  参考訳（メタデータ） (2025-03-12T11:45:11Z)
• AutoTimes: Autoregressive Time Series Forecasters via Large Language Models [67.83502953961505]
  AutoTimesは時系列を言語トークンの埋め込み空間に投影し、任意の長さで将来予測を生成する。 時系列をプロンプトとして定式化し、ルックバックウィンドウを越えて予測のコンテキストを拡張する。 AutoTimesは、トレーニング可能なパラメータが0.1%、トレーニング/推論のスピードアップが5ドル以上で最先端を実現している。
  論文  参考訳（メタデータ） (2024-02-04T06:59:21Z)
• Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [110.20279343734548]
  時系列予測は多くの実世界の力学系において重要な意味を持つ。 時系列予測のための大規模言語モデルを再利用するための再プログラミングフレームワークであるTime-LLMを提案する。 Time-LLMは、最先端の特殊な予測モデルよりも優れた、強力な時系列学習者である。
  論文  参考訳（メタデータ） (2023-10-03T01:31:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。