Time Series Are Not That Different for LLMs
利用 LLM 的力量进行时间序列建模基础模型推动了计算语言学和计算机视觉领域的最新进步，并在人工智能 (AI) 中取得了巨大成功。成功的基础模型的关键思想包括：海量数据：庞大而多样的训练数据涵盖了全面的分布，使模型能够近似任何潜在的测试分布。可转移性：记忆和回忆所学信息的机制，例如提示 [1] 和自我监督的预训练 [2]，使模型能够有效地适应新任务。在 LLM 成功之后，时间序列基础模型的开发变得更加密集。图片来自论文 https://arxiv.org/pdf/2403.14735.大型时间序列基础模型 (LTSM)随着基础模型在计算语言学领域的成功，越来越多的研究工作旨在在另一种类型的序列
大约一年来，全球温度异常一直非常高，如下图所示，该图使用哥白尼的屏幕截图创建，显示 1991 年至 2020 年期间的异常值在 2024 年 6 月 1 日为 0.86°C。这些持续高温的原因是什么？之前的帖子中讨论过厄尔尼诺现象和太阳黑子等许多原因。排放对这些高温的影响有多大？尽管政界人士承诺确保温度不会超过工业化前水平 1.5°C，但大气中二氧化碳浓度的增长速度似乎正在加快，如下图所示，该图改编自 NOAA，显示了夏威夷莫纳罗亚山的二氧化碳浓度。反馈是否已成为温度上升的主要驱动因素？下图显示了 NOAA 2009 年 3 月至 2024 年 5 月莫纳罗亚山的月度二氧化碳浓度（黑色），并添
