Selección Eficiente de Modelos para Pronósticos de Series Temporales mediante LLMs

Efficient Model Selection for Time Series Forecasting via LLMs

April 2, 2025

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

cs.AI

Resumen

La selección de modelos es un paso crítico en la predicción de series temporales, que tradicionalmente requiere evaluaciones exhaustivas de rendimiento en diversos conjuntos de datos. Los enfoques de metaaprendizaje buscan automatizar este proceso, pero suelen depender de matrices de rendimiento preconstruidas, cuya creación es costosa. En este trabajo, proponemos aprovechar los Modelos de Lenguaje de Gran Escala (LLMs, por sus siglas en inglés) como una alternativa ligera para la selección de modelos. Nuestro método elimina la necesidad de matrices de rendimiento explícitas al utilizar el conocimiento inherente y las capacidades de razonamiento de los LLMs. A través de experimentos exhaustivos con LLaMA, GPT y Gemini, demostramos que nuestro enfoque supera las técnicas tradicionales de metaaprendizaje y los métodos heurísticos de referencia, al tiempo que reduce significativamente la sobrecarga computacional. Estos hallazgos subrayan el potencial de los LLMs en la selección eficiente de modelos para la predicción de series temporales.

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.