Empowering Time Series Forecasting with LLM-Agents
Created by
Haebom
저자
Chin-Chia Michael Yeh, Vivian Lai, Uday Singh Saini, Xiran Fan, Yujie Fan, Junpeng Wang, Xin Dai, Yan Zheng
개요
본 논문은 자동화된 기계 학습(AutoML) 시스템을 위한 효과적인 계획자로서 대규모 언어 모델(LLM) 기반 에이전트를 활용합니다. 기존 AutoML 접근 방식이 주로 특징 엔지니어링 및 모델 아키텍처 검색 자동화에 집중하는 반면, 최근 시계열 예측 연구는 경량 모델이 최첨단 성능을 달성할 수 있음을 시사합니다. 따라서 본 논문은 시계열 데이터의 AutoML을 위한 유망한 방향으로 모델 아키텍처가 아닌 데이터 품질 개선을 탐구합니다. 본 논문에서는 시계열을 위한 데이터 중심 에이전트인 DCATS를 제안합니다. DCATS는 시계열과 함께 제공되는 메타데이터를 활용하여 예측 성능을 최적화하면서 데이터를 정제합니다. 대규모 교통량 예측 데이터 세트에서 네 가지 시계열 예측 모델을 사용하여 DCATS를 평가했습니다. 결과는 DCATS가 모든 테스트된 모델과 시간대에서 평균 6%의 오류 감소를 달성함을 보여주며, 시계열 예측을 위한 AutoML에서 데이터 중심 접근 방식의 잠재력을 강조합니다.
시사점, 한계점
•
시사점: 시계열 예측 AutoML에서 데이터 중심 접근 방식의 효과성을 보여줌. 데이터 정제를 통해 모델 성능 개선 가능성 제시. LLM 기반 에이전트를 활용한 AutoML의 새로운 가능성 제시.
•
한계점: 평가는 특정 데이터 세트(교통량 예측)에 한정됨. 다양한 시계열 데이터 및 예측 모델에 대한 일반화 가능성 추가 검증 필요. DCATS의 메타데이터 활용 방식의 일반화 및 다른 유형의 데이터에 대한 적용성 연구 필요.
