引言

近年来，大语言模型（LLM）在文本生成、推理和跨模态任务中展现了惊人能力。与此同时，时间序列分析作为工业、金融、物联网等领域的核心技术，长期依赖传统统计模型（如ARIMA）或深度学习模型（如LSTM）。二者的结合看似“跨界”，实则为解决时间序列的复杂问题（如长序列建模、多模态关联推理）提供了新思路。本文以技术演进为脉络，探讨LLM与时间序列结合的三大层级方法。

---

第一层：数据转换与直接推理

核心思路

将时间序列数据转换为文本或结构化描述，利用LLM的文本理解能力完成简单推理任务。

典型方法

1. 数值转文本（Time Series as Text）

   • 将时间序列的数值与时间戳拼接成自然语言（如“2023年1月1日气温为25°C，1月2日为28°C…”），通过LLM生成总结或预测。
   • 示例：输入“过去5天销量依次为100、120、110、130、140，预测第6天销量”，让LLM输出数值。

2. 规则化提示（Rule-based Prompting）

   • 结合领域知识设计模板，例如：

     “已知某股票过去7天收盘价为{price_list}，根据波动率计算公式（标准差/均值），其波动率是多少？”  
     

   • LLM通过文本解析与数学推理生成结果。

优势与局限

• 优势：无需训练，快速验证概念；适合规则明确的简单任务。
• 局限：数值精度低、长序列处理困难、依赖人工设计模板。

---

第二层：时间序列嵌入与联合建模

核心思路

将时间序列编码为向量，与LLM的语义空间对齐，实现端到端复杂任务。

关键技术

1. 跨模态编码器

   • 设计双塔模型：一个分支编码时间序列（如用CNN或Transformer），另一个分支编码文本，通过对比学习对齐特征空间。
   • 应用场景：医疗监测（心电信号+病历文本联合诊断）。

2. 时序-语言预训练（Time-LLM）

   • 扩展LLM的Tokenizer，加入时间序列专用词汇（如趋势、周期符号）。
   • 预训练任务：时序补全、文本描述生成（如“生成传感器数据的异常报告”）。

3. 提示工程优化

   • 动态提示：根据时序特征自动生成提示词（如检测到周期性时，提示“考虑季节性因素”）。
   • 工具调用：LLM调用外部API完成专业计算（如调用Prophet模型预测后解释结果）。

典型案例

• Google的TimesFM：基于Transformer的时序基础模型，支持零样本预测。
• LLM4TS框架：用LoRA微调LLM，适配时序预测任务，在ETTh1数据集上超越传统模型。

---

第三层：世界模型与因果推理

核心思路

利用LLM的因果推理能力，构建时间序列的“动态知识图谱”，解决复杂系统建模问题。

前沿方向

1. 时序因果发现

   • LLM从文本数据（如运维日志）中提取因果关系，辅助构建贝叶斯网络或结构方程模型。
   • 示例：结合工厂传感器数据与维修记录，定位设备故障的根因。

2. 多智能体仿真

   • LLM生成虚拟角色的行为时序（如模拟城市交通流量），通过强化学习优化决策。
   • 应用：供应链动态模拟、流行病传播预测。

3. 物理信息融合

   • 将微分方程等先验知识注入LLM，约束时序生成过程的物理合理性。
   • 案例：气候模型中结合流体力学方程与LLM的异常模式识别。

挑战与展望

• 挑战：训练数据稀缺性、数值计算稳定性、实时性要求。
• 趋势：低代码时序分析（LLM自动生成Python代码）、具身智能（机器人动作时序规划）等。

---

结语

从文本接口到世界模型，LLM正逐步深入时间序列的核心战场。尽管面临噪声敏感、计算成本等难题，但其在可解释性、少样本学习和跨模态关联方面的潜力，可能重塑时序分析的未来范式。对于从业者而言，掌握“时序特征工程+LLM提示工程”的复合技能，将成为破解工业智能化痛点的关键。