Effiziente Modellauswahl für Zeitreihenvorhersagen mittels LLMs

Efficient Model Selection for Time Series Forecasting via LLMs

April 2, 2025

Autoren: Wang Wei, Tiankai Yang, Hongjie Chen, Ryan A. Rossi, Yue Zhao, Franck Dernoncourt, Hoda Eldardiry

cs.AI

Zusammenfassung

Die Modellauswahl ist ein entscheidender Schritt in der Zeitreihenprognose und erfordert traditionell umfangreiche Leistungsbewertungen über verschiedene Datensätze hinweg. Meta-Learning-Ansätze zielen darauf ab, diesen Prozess zu automatisieren, basieren jedoch typischerweise auf vorab erstellten Leistungsmatrizen, deren Erstellung kostspielig ist. In dieser Arbeit schlagen wir vor, Large Language Models (LLMs) als leichtgewichtige Alternative für die Modellauswahl zu nutzen. Unser Ansatz eliminiert die Notwendigkeit expliziter Leistungsmatrizen, indem er das inhärente Wissen und die Fähigkeiten zur logischen Schlussfolgerung von LLMs nutzt. Durch umfangreiche Experimente mit LLaMA, GPT und Gemini zeigen wir, dass unser Ansatz traditionelle Meta-Learning-Techniken und heuristische Baselines übertrifft und gleichzeitig den Rechenaufwand erheblich reduziert. Diese Ergebnisse unterstreichen das Potenzial von LLMs für eine effiziente Modellauswahl in der Zeitreihenprognose.

English

Model selection is a critical step in time series forecasting, traditionally requiring extensive performance evaluations across various datasets. Meta-learning approaches aim to automate this process, but they typically depend on pre-constructed performance matrices, which are costly to build. In this work, we propose to leverage Large Language Models (LLMs) as a lightweight alternative for model selection. Our method eliminates the need for explicit performance matrices by utilizing the inherent knowledge and reasoning capabilities of LLMs. Through extensive experiments with LLaMA, GPT and Gemini, we demonstrate that our approach outperforms traditional meta-learning techniques and heuristic baselines, while significantly reducing computational overhead. These findings underscore the potential of LLMs in efficient model selection for time series forecasting.