From News to Forecast: Integrating Event Analysis in LLM-Based Time Series Forecasting with Reflection

本文介绍了一种新颖的方法，利用大型语言模型（LLMs）和生成代理来增强时间序列预测。通过语言作为媒介，我们的方法将各种社会事件自适应地整合到预测模型中，将新闻内容与时间序列波动对齐，以获得更丰富的见解。具体而言，我们利用基于LLM的代理来迭代地过滤掉不相关的新闻，并采用类人的推理和反思来评估预测。这使得我们的模型能够分析复杂的事件，如意外事件和社会行为的变化，并不断改进新闻的选择逻辑和代理输出的鲁棒性。通过将选定的新闻与时间序列数据编译在一起，我们对LLaMa2预训练模型进行了微调。结果表明，在预测准确性方面取得了显著的改进，并暗示了通过有效利用非结构化的新闻数据，时间序列预测可能会出现潜在的范式转变。

本论文旨在通过使用大型语言模型（LLMs）和生成代理来增强时间序列预测，以适应各种社交事件的影响。

本论文的关键思路是使用LLM代理来过滤掉无关的新闻，并利用人类般的推理和反思来评估预测结果，从而将新闻内容与时间序列波动对齐，实现更丰富的洞察力。

该方法能够分析复杂事件，如意外事件和社交行为的变化，并不断改进新闻的选择逻辑和代理输出的鲁棒性。通过将选定的新闻与时间序列数据编译，我们对LLaMa2预训练模型进行微调，结果表明，这种方法可以显著提高预测准确性，为时间序列预测带来潜在的范式转变。

在此领域的相关研究中，一些论文包括：1.《利用深度学习进行时间序列预测的研究》；2.《基于机器学习的时间序列预测方法综述》；3.《基于深度学习的时间序列预测方法综述》。