STReasoner：通过空间感知强化学习增强大型语言模型在时间序列中的时空推理能力
Gemini AI生成的图像
研究人员推出了ST-Bench，这是一个旨在提升时间序列分析中时空推理能力的基准工具，对于交通和电网等关键系统至关重要。本研究还介绍了STReasoner，它将时间序列、图结构和文本进行了整合，与专有模型相比，实现了17%到135%的准确率提升，同时成本保持在最低水平。
STReasoner 增强了时间序列分析中的时空推理
研究人员开发了 STReasoner，这是一种新颖的方法，显著增强了大型语言模型（LLMs）在时间序列数据中的时空推理能力。这一进展填补了该领域中的关键空白，优先考虑在交通管理和流行病学等高风险决策领域所必需的推理能力。
ST-Bench 的推出是一个旨在评估时空推理的基准测试，包括四个关键任务：病因推理、实体识别、相关推理和上下文预测。这些任务是通过基于网络随机微分方程（SDE）的数据合成管道创建的，提供了一个强大的框架来测试推理能力。
性能指标与成本效率
对 STReasoner 的初步实验显示出显著的准确率提升，性能改进范围在 17% 到 135% 之间。这些提升是在仅为专有模型成本的 0.004 倍的情况下实现的，凸显了 STReasoner 广泛应用的潜力。
该模型在应用于真实世界数据集时也表现出强大的泛化能力，表明其在受控基准任务之外的实际效用。
相关主题：
STReasoner时间序列时空推理强化学习大型语言模型
📰 原始来源： https://arxiv.org/abs/2601.03248v1
所有权利和署名均属于原出版商。