Sélection efficace de modèles pour la prévision de séries temporelles via les LLM

Efficient Model Selection for Time Series Forecasting via LLMs

April 2, 2025

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

cs.AI

Résumé

La sélection de modèles est une étape cruciale dans la prévision de séries temporelles, nécessitant traditionnellement des évaluations de performance approfondies sur divers ensembles de données. Les approches de méta-apprentissage visent à automatiser ce processus, mais elles dépendent généralement de matrices de performance préconstruites, dont la création est coûteuse. Dans ce travail, nous proposons d'exploiter les modèles de langage de grande taille (LLMs) comme alternative légère pour la sélection de modèles. Notre méthode élimine le besoin de matrices de performance explicites en tirant parti des connaissances intrinsèques et des capacités de raisonnement des LLMs. À travers des expériences approfondies avec LLaMA, GPT et Gemini, nous démontrons que notre approche surpasse les techniques de méta-apprentissage traditionnelles et les bases heuristiques, tout en réduisant significativement la surcharge computationnelle. Ces résultats soulignent le potentiel des LLMs pour une sélection de modèles efficace dans la prévision de séries temporelles.

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.