TimeReasoner：让大模型慢慢“思考”—时间序列预测的新范式

时间序列预测（TSF）是金融、能源、医疗等众多领域的基石性任务，其核心目标是基于历史观测和辅助信息预测目标变量的未来轨迹。尽管现有方法（从经典统计模型到现代深度学习）已取得显著成效，但它们大多遵循“快思考”范式，即通过单步推断直接映射输入到输出，缺乏中间的、显式的推理步骤。

与此同时，具备多步推理能力的“慢思考”大语言模型（如ChatGPT-01, DeepSeek-R1）在不同领域展示了令人印象深刻的性能 。这启发了一个关键问题： “慢思考”大语言模型能否有效地对时间模式进行推理，以支持时间序列预测，即便是在零样本的情况下？ 为此，研究团队提出了TimeReasoner，将TSF重新表述为一个条件推理任务，系统性地探究LLMs在时序数据中的推理行为。

模型方法

TimeReasoner 将时间序列预测构建为一个条件推理问题，其中LLM通过解释结构化的自然语言提示来生成预测。其核心框架（如图2所示）包含以下关键组成部分：

1. 混合指令 (Hybrid Instructions)

为了支持有效的时序推理，TimeReasoner 采用多模态提示，结合了：

• 原始尺度时间序列 (Raw time series in original space ) ： 直接使用未经归一化的原始数据，保留数值的真实幅度和波动信息，便于模型理解绝对值和真实世界变化。
• 时间戳特征 (Timestamp feature) ： 引入原始时间戳，使模型能够识别绝对时间位置（如特定日期或小时）和相对模式（如周期性或时间间隔），这对于时序推理至关重要。
• 上下文特征描述 (Contextual feature descriptions) ： 提供自然语言描述的上下文信息，如领域知识和通道特定语义，帮助LLM将数值数据与现实世界含义对齐，增强任务相关性和可解释性。

2. 推理策略 (Reasoning Strategies)

TimeReasoner 探索了三种不同的推理范式，以评估“慢思考”LLMs的能力：

• 单次推理 (One-Shot Reasoning) ： LLM对给定输入执行一次全面的推理过程，内部完成所需的多步逻辑，并直接输出完整的预测结果集。
• 解耦推理 (Decoupled Reasoning) ： LLM的目标是生成一个全面的输出，但其过程是解耦的。模型生成部分思考，进行反思，然后继续，在单次推理中形成“生成-反思-生成”的循环，以实现更精细的多步推理。
• 滚动推理 (RollOut Reasoning) ： LLM增量式地生成预测，每一步产生结果的一部分。这个过程涉及多个迭代轮次，每个输出都作为下一个输出的上下文，使模型逐步构建最终的完整结果。
  
  
  实验分析