論文の概要: OpenTSLM TeeMoE: A Unified Time-Series Language Model for Forecasting, Contextual Prediction, and Reasoning

• arxiv url: http://arxiv.org/abs/2609.40265v1
• Date: Wed, 30 Sep 2026 17:43:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:28.208578
• Title: OpenTSLM TeeMoE: A Unified Time-Series Language Model for Forecasting, Contextual Prediction, and Reasoning
• Title（参考訳）: OpenTSLM TeeMoE: 予測・文脈予測・推論のための統合時系列言語モデル
• Abstract要約: 実世界の時系列アプリケーションは、時系列予測、文脈条件付き予測、言語に基づく時間的推論を処理できるモデルを必要としている。 我々は,観測時系列から直接予測可能な一般時系列言語モデルであるOpenTSLM TeeMoEを紹介し,外部数値予測の専門家による予測を合成・洗練する。 提案手法は,時系列予測,文脈条件付き予測,言語に基づく時間的推論に広く用いられているベンチマークにおいて,MASEランキングで上位3位,RCRPSでコンテキストがキーであることを示す。
• 参考スコア（独自算出の注目度）: 5.037331919860135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world time-series applications increasingly require models that can handle time series forecasting, context-conditioned prediction, and language-based temporal reasoning. Yet current time-series foundation models remain fragmented across these capabilities: numerical specialists often provide the strongest forecasts, while language-based models offer broader contextual understanding and analysis. A central challenge is to unify these heterogeneous capabilities without reducing their individual performance. We introduce OpenTSLM TeeMoE, a generalist time-series language model that can forecast directly from observed time series, reason over textual context and temporal patterns, and synthesize and refine predictions from external numerical forecasting specialists. We independently train three low-rank experts for forecast aggregation, native forecasting, and temporal analysis over a shared backbone. A learned LoRA mixture-of-experts controller then weights their frozen parameter updates for each request. Our proposed model achieves strong performance on widely used benchmarks for time series forecasting, context-conditioned prediction, and language-based temporal reasoning, ranking among the top three on GIFT-Eval by mean MASE rank, Context is Key by RCRPS, and TimeSeriesExam by accuracy.
• Abstract（参考訳）: 実世界の時系列アプリケーションは、時系列予測、文脈条件付き予測、言語に基づく時間的推論を扱うモデルを必要としている。 数値スペシャリストはしばしば最も強力な予測を提供するが、言語ベースのモデルはより広い文脈での理解と分析を提供する。 中心的な課題は、個々のパフォーマンスを低下させることなく、これらの異種機能を統一することである。 我々は,観測時系列から直接予測可能な一般時系列言語モデルであるOpenTSLM TeeMoEを紹介し,外部数値予測の専門家による予測を合成・洗練する。 予測アグリゲーション、ネイティブ予測、時間解析の3つの低ランクの専門家を、共有バックボーン上で個別に訓練する。 学習したLoRAミックスオブエキスパートコントローラは、各リクエストの凍結パラメータ更新を重み付けする。 提案モデルでは,時系列予測,文脈条件予測,言語に基づく時間的推論,平均MASEランクによるGIFT-Evalの上位3位,RCRPSによるContext is Key,正確性によるTimeSeriesExamの3位にランクインした。

関連論文リスト

• Nexus : An Agentic Framework for Time Series Forecasting [72.73790673303154]
  時系列予測は、ニュースやイベントのような構造化されていないコンテキストデータによる推論を必要とする。 予測を特殊なステージに分解するマルチエージェント予測フレームワークであるNexusを紹介します。 本研究では,現在のLLMは,従来よりも強い固有予測能力を有することを示す。
  論文  参考訳（メタデータ） (2026-05-14T05:12:13Z)
• TS-RAG: Retrieval-Augmented Generation based Time Series Foundation Models are Stronger Zero-Shot Forecaster [14.512119661418522]
  時系列予測のための検索拡張生成フレームワークTS-RAGを提案する。 具体的には、TS-RAGはトレーニング済みの時系列エンコーダを利用して、専用の知識ベースから意味的に関連するセグメントを検索する。 TS-RAG は最先端のゼロショット予測性能を達成し,既存の TSFM を6.84% まで上回った。
  論文  参考訳（メタデータ） (2025-03-06T16:48:48Z)
• TimeCAP: Learning to Contextualize, Augment, and Predict Time Series Events with Large Language Model Agents [52.13094810313054]
  TimeCAPは、時系列データのコンテキスト化ツールとしてLarge Language Models(LLM)を創造的に利用する時系列処理フレームワークである。 TimeCAPには2つの独立したLCMエージェントが組み込まれており、1つは時系列のコンテキストをキャプチャするテキスト要約を生成し、もう1つはより情報のある予測を行うためにこのリッチな要約を使用する。 実世界のデータセットによる実験結果から,TimeCAPは時系列イベント予測の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-17T04:17:27Z)
• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• 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)
• PromptCast: A New Prompt-based Learning Paradigm for Time Series Forecasting [11.670324826998968]
  既存の時系列予測手法では,数値列を入力とし,数値列を出力とする。 事前学習された言語基盤モデルの成功に触発されて、我々は新しい予測パラダイム、即時時系列予測を提案する。 この新たなタスクでは、数値入力と出力をプロンプトに変換し、予測タスクを文対文でフレーム化する。
  論文  参考訳（メタデータ） (2022-09-20T10:15:35Z)

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。