2024 Neurips

1 intro

• 传统的时间序列预测方法在时间序列分布保持一致时表现较好
  • 它们在应对外部随机事件引起的突然干扰或异常时存在局限性，且未能系统地将复杂的社会事件与时间序列数据的波动联系起来
  • 将现实世界事件及其对社会和经济行为的影响纳入考虑，对于提高时间序列预测的可靠性和准确性至关重要
• 新闻报道提供了关于突发事件、政策变化、技术进步和公众情绪变化的重要信息——这些因素是仅依靠数值数据无法捕捉到的
  • 将新闻融入预测可以丰富其输入，与人类行为和社会变化的复杂性紧密契合
    • 新闻提供了事件的实时快照，使模型能够根据更新的信息调整预测
    • 来自新闻源的定性数据使得模型能够考虑非线性和非数值的影响
• ——>提出了一种统一的方法，通过文本提示将新闻和补充信息嵌入到时间序列数据中
  • 微调LLM，将时间序列预测转化为文本中下一个标记的预测
  • 预训练的LLMs的归纳推理能力及其建模多模态分布的能力，使得在时间序列预测中能够进行少量样本预测
• 有效的新闻过滤是随着输入多样性增加而提升时间序列预测的关键问题
  • 这个任务不仅仅需要简单的关键词提取；它需要深入理解新闻元素与预测变量之间的相互作用，超越线性推理
  • ——>采用具有先进类人推理能力的LLM代理，实现动态且有效的新闻选择。

2 方法

3 实验

3.1 新闻数据收集

• 由于没有公开的数据集能够将时间序列数据与新闻事件配对，论文专门收集了与上述时间序列相关的新闻，以促进研究
  • 部分新闻内容来自GDELT数据集，该数据库追踪来自100多个语言的几乎每个国家的新闻。
• 对于需要最新信息的领域，从News Corp Australia（news.com.au）和Yahoo Finance（yahoo.com）等来源收集实时新闻，重点关注特定区域和任务相关的活动。

3.2 补充信息收集

• 来自OpenWeatherMap[10]的天气信息提供了每日温度、气压、风速和湿度