Selezione Efficiente dei Modelli per la Previsione di Serie Temporali tramite LLM

Efficient Model Selection for Time Series Forecasting via LLMs

April 2, 2025

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

cs.AI

Abstract

La selezione del modello è un passaggio cruciale nella previsione di serie temporali, tradizionalmente che richiede valutazioni approfondite delle prestazioni su vari dataset. Gli approcci di meta-apprendimento mirano ad automatizzare questo processo, ma tipicamente dipendono da matrici di prestazioni pre-costruite, che sono costose da realizzare. In questo lavoro, proponiamo di sfruttare i Large Language Models (LLMs) come alternativa leggera per la selezione del modello. Il nostro metodo elimina la necessità di matrici di prestazioni esplicite utilizzando la conoscenza intrinseca e le capacità di ragionamento degli LLMs. Attraverso esperimenti estesi con LLaMA, GPT e Gemini, dimostriamo che il nostro approccio supera le tecniche tradizionali di meta-apprendimento e i baseline euristici, riducendo significativamente il sovraccarico computazionale. Questi risultati sottolineano il potenziale degli LLMs nella selezione efficiente dei modelli per la previsione di serie temporali.

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.