Efficiënte Modelselectie voor Tijdreeksvoorspelling via LLM's

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

Samenvatting

Modelselectie is een cruciale stap in tijdreeksvoorspelling, wat traditioneel uitgebreide prestatie-evaluaties over verschillende datasets vereist. Meta-learningbenaderingen streven ernaar dit proces te automatiseren, maar ze zijn doorgaans afhankelijk van vooraf opgestelde prestatiematrices, die kostbaar zijn om te bouwen. In dit werk stellen we voor om Large Language Models (LLMs) te benutten als een lichtgewicht alternatief voor modelselectie. Onze methode elimineert de noodzaak van expliciete prestatiematrices door gebruik te maken van de inherente kennis en redeneervaardigheden van LLMs. Door middel van uitgebreide experimenten met LLaMA, GPT en Gemini tonen we aan dat onze aanpak traditionele meta-learningtechnieken en heuristische basislijnen overtreft, terwijl de rekenkundige overhead aanzienlijk wordt verminderd. Deze bevindingen onderstrepen het potentieel van LLMs in efficiënte modelselectie voor tijdreeksvoorspelling.

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.