Cet article présente Time-MQA (Time Series Multi-Task Question Answering), un cadre intégré pour diverses séries temporelles (par exemple, finance, santé, énergie, etc.). Time-MQA prend en charge les questions en langage naturel permettant des réponses ouvertes, y compris des tâches d'analyse numérique et d'inférence. Il repose sur un ensemble de données à grande échelle, TSQA, contenant environ 200 000 paires question-réponse issues de diverses séries temporelles (par exemple, environnement, transport, etc.). TSQA gère des séries temporelles de différentes longueurs et facilite le développement de modèles robustes. De plus, nous démontrons que des modèles linguistiques à grande échelle, tels que Mistral 7B, Llama-3 8B et Qwen-2.5 7B, peuvent être pré-entraînés sur l'ensemble de données TSQA afin d'améliorer les capacités d'inférence de séries temporelles et de permettre des interactions plus sophistiquées et intuitives avec les données temporelles, au-delà des simples tâches numériques. L'ensemble de données TSQA, les modèles, les questionnaires d'évaluation des utilisateurs et autres ressources connexes sont en libre accès.
