提出LOTUS时序语言模型预训练方法

Van Dai Do 等在 arXiv 论文（2610.18877v1）中提出 forecast grounding 预训练原则和 LOTUS 时间序列语言模型：要求语言对齐的时间序列表示在适配下游任务前保持对未来演化的预测能力。 方法将时间序列通道切分为不重叠 patch 映射到 LLM embedding space，用时间序列 token 的隐藏状态预测下一个 patch，并结合原始 patch 与频谱表示。作者称在三个语言模型骨干和六个下游评测数据集上，LOTUS 以最少可训练参数取得最佳平均性能，达 59.91% 准确率，超过最强匹配基线 3.36%。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。