1. ChatTS概述 ChatTS: Aligning Time Series with LLMs via Synthetic Data for Enhanced Understanding and Reasoning 这篇文章是清华大学、字节跳动与必示科技三方共同创作而成。 在实际的工作中，时间序列在运维领域中占据着非常重要的地位，尤其是近些年大语言模型（LLM）的发展，极大地推动了时间序列这一领域的发展。这篇论文介绍了一个叫做ChatTS的模型，它是专为时间序列分析设计的新型多模态大语言模型（MLLMs）。为缓解训练数据稀缺问题，作者们提出基于属性的合成时间序列生成方法，可自动生成具有详细属性描述的时序数据。同时，作者们创新性地提出时间序列演化式指令生成方法（Time Series Evol-Instruct），通过生成多样化时序问答对来增强模型的推理能力。ChatTS是首个以多元时间序列作为输入，并进行理解和推理的时间序列多模态大语言模型，且完全基于合成的数据集微调。作者们在包含真实数据的基准数据集上开展评估，涵盖6项对齐任务和4项推理任务。 实验结果表明，ChatTS在对齐任务中提升46.0%，在推理任务中提升25.8%，其代码的官方链接是： https://github.com/NetManAIOps/ChatTS，HuggingFace的官方链接是：https://huggingface.co/bytedance-research/ChatTS-14B/tree/main ，模型的权重都可以在HuggingFace上面直接下载并使用。 用一个实际的例子来说明这个情况，那就是用户可以针对某个KPI曲线进行提问，并咨询是否有其他曲线存在了波动，然后并提问根因，大语言模型（LLM）进行了回答。 从图2的描述来看，如果要将多条时间序列进行输入，其实可以至少有四种方法可以执行： Text-Based：将多条时间序列整理成具体的数值，然后一次性输入给大模型进行分析和输出； Agent-Based：不同的时间序列输入给不同的大模型，然后一次性汇总之后进行汇总大模型LLM的处理和输出； Multimodal Vision-Based：将时间序列处理成图片信息，然后通过多模态大模型进行处理和分析，然后输出结果； Multimodal TS-Based：将多条时间序列的数值直接输入大模型，开发一个Time Series Multimodal LLM并做输出。 ChatTS的亮点是将多维时间序列直接作为输入，然后进行推理和分析。目前是一个14B的模型，它是在QWen2.5-14B-Instruct的基础上进行微调的，其开源代码使用也很简单，可以参考下面的代码： 如果是使用vLLM推理的话，可以参考这份代码： 2 ChatTS方法论 2.1 模块划分 从论文的介绍来看，ChatTS的数据模块大概可以分成以下几个情况： Attribute Selector：属性选择器，主要用于精准的属性选择，方便生成满足这些属性的时间序列；属性包括趋势类（稳定趋势、上升趋势、下降趋势等），周期类（三角函数、正方形、无周期等），局部波动类，是否存在噪声等类别。 Attribute-Based Time Series Generator：基于属性的时间序列生成器，可以使用规则的方法进行生成； Time Series Evol-Instruct：时间序列演化式指令，用于生成大量的、多样的、精准的时间序列，并且有相应的文本回答，属于一个（time series，text question-answer）的信息； 模型设计（model design）：使用了多维时间序列作为数据的输入； 模型训练（model … Continue reading 时间序列新范式：通过合成数据将时间序列与大语言模型对齐，以增强理解和推理