MultiCast : Prévision multivariante de séries temporelles en zéros coups utilisant des LLMs

La prévision des valeurs futures dans des séries temporelles multivariées est vitale dans divers domaines. Ce travail explore l'utilisation de grands modèles de langage (LLMs) pour cette tâche. Cependant, les LLMs gèrent généralement des données unidimensionnelles. Nous introduisons MultiCast, une approche basée sur des LLMs en zéro coup pour la prévision de séries temporelles multivariées. Elle permet aux LLMs de recevoir des séries temporelles multivariées en entrée, à travers trois nouvelles solutions de multiplexage de tokens qui réduisent efficacement la dimensionnalité tout en préservant les motifs répétitifs clés. De plus, un schéma de quantification aide les LLMs à mieux apprendre ces motifs, tout en réduisant considérablement l'utilisation des tokens pour des applications pratiques. Nous montrons la performance de notre approche en termes d'RMSE et de temps d'exécution par rapport aux approches à l'état de l'art sur trois ensembles de données réelles.