综述了将 NLP 大模型应用于时间序列预测的五种主要方法。包括基于 Prompt 的直接生成，需解决数字分词问题；离散化方法，利用 VQ-VAE 或 K-means 将连续值转为离散 ID；时间序列 - 文本对齐，通过对比学习和 LoRA 微调实现模态对齐；引入视觉信息，利用 ImageBind 或图表特征提取多模态能力；以及大模型工具，通过代码生成或 API 调用解决问题。文章分析了各方法的原理、优缺点及适用场景，指出未来方向在于平衡精度效率及建立统一评估基准。
近期，加利福尼亚大学发表了一篇关于时间序列大语言模型的工作综述，文章系统性地总结了将自然语言处理（NLP）领域预训练好的大语言模型（LLM）应用到时间序列预测领域的五种主要方法。随着大语言模型在文本生成、理解等任务上的卓越表现，研究者开始探索其在结构化数据，特别是时间序列数据上的潜力。本文将详细介绍这五类核心方法，分析其技术原理、优缺点及适用场景。
基于 Prompt 的方法是直接利用大语言模型的上下文学习能力，让模型针对时间序列数据输出结果。这种方法的核心思路是将时间序列数据视为文本的一部分，通过构造特定的提示词（Prompt），引导模型生成预测值。
在典型的实现中，首先预定义一个 Prompt 模板，描述具体的时间序列任务（如'预测未来 24 小时的气温'）。然后，将历史时间序列数据填充到模板中的占位符位置。最后，将完整的文本输入到大语言模型中，要求模型直接生成预测结果。
例如，构造一段文本：
任务：预测接下来 3 天的股票价格。
历史数据：[100, 102, 98, 105, ...]
预测结果：
模型根据上下文推断并输出数值。
这种方式面临的主要挑战是数字的 Tokenization（分词）问题。大语言模型通常是为文本设计的，对连续数字的处理能力有限。如果直接将数字字符串化，可能会导致词典中对数字的区分不合理，或者无法捕捉数字间的细微变化。
为了解决这个问题，一些研究工作专门针对数字的 Tokenization 进行了优化。常见的策略包括在每个数字之间加入空格，使数字能更清晰地被模型区分；或者设计专门的数字编码器，将数值映射为特殊的 Token ID。这些改进旨在避免模型因分词错误而忽略数值的大小关系或趋势。
这类方法的核心思想是将连续的时间序列数值转换为离散的符号或 ID，以适配 NLP 大模型的输入形式。通过将数值空间离散化，模型可以像处理文本词汇一样处理时间序列模式。
一种主流方法是借助 Vector Quantized-Variational AutoEncoder（VQ-VAE）技术。VQ-VAE 是一种在变分自编码器（VAE）基础上的结构。
通过这种机制，可以将时间序列映射成离散的表征向量，并构造成一个词典。这样，时间序列数据就被转换成了类似'单词'的离散序列，可以直接输入给 LLM。
另一种方法是基于 K-means 聚类算法的离散化。利用 K-means 生成的质心将原始的时间序列片段进行聚类，每个簇对应一个离散 ID。这种方法计算相对简单，适合资源受限的场景。
在一些特定工作流中，也将时间序列直接转换成文本符号。例如在金融场景中，将每天的涨价、降价、持平等信息直接转换成相应的字母符号（如 U, D, F）作为 NLP 大模型的输入。这种抽象方式降低了数据的复杂度，但可能会丢失部分幅度信息。
这类方法借助多模态领域的对齐技术，将时间序列的表征空间与文本空间对齐，以此实现时间序列数据直接输入到 NLP 大模型的目标，同时保留语义信息。
最典型的方法是基于对比学习的多模态对齐，类似于 CLIP（Contrastive Language-Image Pre-training）架构。
另一种方法是基于时间序列数据的 Fine-tuning。以 NLP 大模型作为 Backbone，在此基础上引入额外的网络层来适配时间序列数据。
这种方法相对少见，一般是将时间序列和视觉信息建立联系，再利用图像和文本已经经过深入研究的多模态能力引入进来，为下游任务提取有效的特征。
例如 ImageBind 模型，它对 6 个模态的数据（包括文本、图像、音频、深度、热成像、惯性测量单元数据）进行统一的对齐，其中就包括时间序列类型的数据。通过这种方式，实现了多模态的大模型统一，允许模型在不同模态间进行迁移学习。
在一些金融领域的模型中，将股票的价格走势转换成图表数据（K 线图、折线图等），再配合 CLIP 等图文对齐模型，生成图表相关的特征用于下游的时间序列任务。这种方法利用了人类对图表的直观理解能力，将视觉模式转化为可计算的嵌入向量。
这类方法不再对 NLP 大模型进行模型上的改进，也不改造时间序列数据形式进行大模型适配，而是直接将 NLP 大模型当成一个工具，解决时间序列问题。这通常被称为 Agent（智能体）范式。
让大模型生成解决时间序列预测的代码（如 Python/Pandas 脚本），应用到时间序列预测上。模型负责编写数据处理逻辑和调用统计库，执行环境负责运行代码并返回结果。这种方式利用了 LLM 在编程方面的强项，避免了直接预测数值的困难。
或者是让大模型调用开源的 API 解决时间序列问题。例如，模型识别用户需求后，自动查询数据库或调用外部预测服务，整合结果反馈给用户。当然，这类方式就比较偏向实际应用了，强调系统的交互性和自动化能力。
上述五类方法代表了当前将 NLP 大模型应用于时间序列预测的主要技术路径。每种方法都有其适用的场景和局限性。
未来的研究方向可能集中在如何平衡精度与效率、如何解决长序列依赖问题、以及如何建立统一的时间序列评估基准。随着技术的演进，大模型有望成为时间序列分析的基础设施，推动预测科学进入新的阶段。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online