ترجمه فارسی مقاله ارزیابی مدل‌های آماری استاندارد و LLMها در پیش‌بینی سری‌های زمانی

چکیده

This research examines the use of Large Language Models (LLMs) in predicting time series, with a specific focus on the LLMTIME model. Despite the established effectiveness of LLMs in tasks such as text generation, language translation, and sentiment analysis, this study highlights the key challenges that large language models encounter in the context of time series prediction. We assess the performance of LLMTIME across multiple datasets and introduce classical almost periodic functions as time series to gauge its effectiveness. The empirical results indicate that while large language models can perform well in zero-shot forecasting for certain datasets, their predictive accuracy diminishes notably when confronted with diverse time series data and traditional signals. The primary finding of this study is that the predictive capacity of LLMTIME, similar to other LLMs, significantly deteriorates when dealing with time series data that contain both periodic and trend components, as well as when the signal comprises complex frequency components.

چکیده به فارسی (ترجمه ماشینی)

این تحقیق به بررسی استفاده از مدل های بزرگ زبان (LLMS) در پیش بینی سری زمانی ، با تمرکز خاص بر روی مدل LLMTIME می پردازد.با وجود اثربخشی LLMS در کارهایی مانند تولید متن ، ترجمه زبان و تجزیه و تحلیل احساسات ، این مطالعه چالش های کلیدی را که مدلهای بزرگ زبان در زمینه پیش بینی سری زمانی با آنها روبرو می شوند ، برجسته می کند.ما عملکرد LLMTIME را در چندین مجموعه داده ارزیابی می کنیم و عملکردهای تقریباً دوره ای کلاسیک را به عنوان سری زمانی معرفی می کنیم تا اثربخشی آن را ارزیابی کنیم.نتایج تجربی نشان می دهد که در حالی که مدل های بزرگ زبان می توانند در پیش بینی های صفر برای مجموعه داده های خاص عملکرد خوبی داشته باشند ، دقت پیش بینی آنها به ویژه در مواجهه با داده های سری زمانی متنوع و سیگنال های سنتی کاهش می یابد.یافته اصلی این مطالعه این است که ظرفیت پیش بینی LLMTIME ، مشابه سایر LLM ها ، هنگام برخورد با داده های سری زمانی که حاوی اجزای دوره ای و روند هستند ، به طور قابل توجهی بدتر می شوند ، و همچنین هنگامی که سیگنال شامل اجزای فرکانس پیچیده است.