論文の概要: LLM as Forecasting Planner: Training-Free Text Conditioning for Time-Series Foundation Models

• arxiv url: http://arxiv.org/abs/2607.24892v1
• Date: Mon, 27 Jul 2026 15:02:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.573153
• Title: LLM as Forecasting Planner: Training-Free Text Conditioning for Time-Series Foundation Models
• Title（参考訳）: 予測プランナーとしてのLLM:時系列基礎モデルのためのトレーニングフリーテキストコンディショニング
• Authors: Huu Hiep Nguyen, Dung Nguyen, Minh Hoang Nguyen, Dai Do, Hung Le,
• Abstract要約: 時系列基礎モデル(TSFM)は強い数値予測を提供するが、大きな言語モデル(LLM)はテキスト上で推論できる。 我々は、TSFM生成軌道上での予測を計画問題として定式化する。 これをrc(textbfLLM textbfAs textbfForecasting textbfPlanner)としてインスタンス化する。
• 参考スコア（独自算出の注目度）: 7.741162056503623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-conditioned time-series forecasting predicts a series from both its numerical history and natural-language context, allowing forecasts to account for events and constraints that the past alone cannot reveal. This requires both reliable numerical forecasting and the ability to interpret contextual information. Time-series foundation models (TSFMs) provide strong numerical forecasts, while large language models (LLMs) can reason over text, but combining their strengths remains challenging because asking an LLM to generate or revise forecast values directly can distort the temporal structure captured by the TSFM. We instead formulate forecasting as a planning problem over TSFM-generated trajectories. The frozen TSFM acts as a simulator that proposes numerical continuations, while the LLM acts as a policy and value function that guides candidate selection and evaluates completed trajectories against the context. We instantiate this as \rc{} (\textbf{L}LM \textbf{A}s \textbf{F}orecasting \textbf{P}lanner), a training-free framework that bridges the modality gap without retraining either model, using Monte Carlo tree search (MCTS) over the forecast horizon with a \emph{Ranker} LLM as policy and a \emph{Judge} LLM as value function. Experiments on Context-is-Key and Time-MMD across two TSFM backbones (Chronos and TimesFM) and four LLMs show that \rc{} delivers consistent improvements across model choices, supporting sequential search as an effective training-free approach to text-conditioned forecasting.
• Abstract（参考訳）: テキスト条件付き時系列予測は、その数値履歴と自然言語コンテキストの両方からシリーズを予測し、予測は過去だけでは明らかにできない出来事や制約を考慮できる。 これは、信頼性のある数値予測と文脈情報を解釈する能力の両方を必要とする。 時系列基礎モデル(TSFM)は強い数値予測を提供するが、大きな言語モデル(LLM)はテキスト上で推論できるが、LLMに予測値を直接生成または修正するよう求めると、TSFMが捉えた時間構造を歪ませることができるため、その強みを組み合わせることは困難である。 代わりに、TSFM生成軌道上での予測を計画問題として定式化する。 冷凍TSFMは数値継続を提案するシミュレータとして機能し、LLMは候補選択を誘導し、コンテキストに対する完了軌跡を評価するポリシーと値関数として機能する。 我々はこれを,いずれのモデルも再トレーニングすることなくモダリティギャップをブリッジするトレーニング不要のフレームワークであるrc{} (\textbf{L}LM \textbf{A}s \textbf{F}orecasting \textbf{P}lanner) として,予測地平線上のモンテカルロ木探索(MCTS) を用いて,ポリシとして \emph{Ranker} LLM と値関数として \emph{Judge} LLM を用いてインスタンス化する。 TSFMの2つのバックボーン(Chronos と TimesFM)と 4つの LLM によるContext-is-Key と Time-MMD の実験は、rc{} がモデル選択全体にわたって一貫した改善を提供し、テキスト条件付き予測に対する効果的なトレーニング不要なアプローチとしてシーケンシャル検索をサポートすることを示している。

関連論文リスト

• Rethinking Post-Training Recipes for Multimodal Time-Series Forecasting [30.02814339453953]
  我々は,マルチモーダルな時系列予測手法について論じる。 Supervised Fine-Tuning (SFT) と Supervisement Learning with Verifiable Rewards (RLVR) を組み合わせたポストトレーニングレシピであるPostTimeを紹介する。 Gemma-3-4B LLMとTimesFM-2.5 TSFMを用いて,TimesXマルチモーダル予測ベンチマークで本手法を評価する。
  論文  参考訳（メタデータ） (2026-05-28T05:52:28Z)
• LLM-Integrated Bayesian State Space Models for Multimodal Time-Series Forecasting [20.735693014588236]
  本稿では,マルチモーダル時間予測のための新しいフレームワークであるベイズ状態空間モデル(LBS)を紹介する。 1)状態空間モデル(SSM)バックボーンは、数値とテキストの両方の観測が生成される潜時状態の時間的ダイナミクスをキャプチャする。 TextTimeCorpusベンチマークの実験では、LBSは過去の最先端を13.20%改善し、予測の可読な要約を提供している。
  論文  参考訳（メタデータ） (2025-10-23T19:28:26Z)
• TS-Reasoner: Aligning Time Series Foundation Models with LLM Reasoning [17.69077698133793]
  時系列推論は、金融、エネルギー利用、交通、天候、科学的発見など、さまざまな領域における意思決定に不可欠である。 LLMは時系列データの数値的理解に苦慮することが多い。 そこで我々は,アライメント事前学習後に微調整を施したトレーニングレシピを開発した。
  論文  参考訳（メタデータ） (2025-10-03T21:20:54Z)
• BALM-TSF: Balanced Multimodal Alignment for LLM-Based Time Series Forecasting [5.360725360679271]
  BALM-TSFは時系列予測のための軽量フレームワークである。 時系列とテキスト埋め込みのバランスを維持する。 長期および少数ショットの予測において、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-08-30T22:31:55Z)
• 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。