---

🙋 如果您发现任何错误或有任何建议，请随时告知我们！

🌟 如果您觉得本资源有所帮助，请考虑给本仓库点个星，并引用我们的研究：

@inproceedings{jin2023time,
  title={{Time-LLM}: Time series forecasting by reprogramming large language models},
  author={Jin, Ming and Wang, Shiyu and Ma, Lintao and Chu, Zhixuan and Zhang, James Y and Shi, Xiaoming and Chen, Pin-Yu and Liang, Yuxuan and Li, Yuan-Fang and Pan, Shirui and Wen, Qingsong},
  booktitle={International Conference on Learning Representations (ICLR)},
  year={2024}
}

更新/新闻：

🚩 新闻（2025年10月）：在过去两年里，Time-LLM已被引用1000次！🎉 我们衷心感谢社区在这段旅程中给予的大力支持。

🚩 新闻（2024年8月）：Time-LLM已被XiMou优化技术有限公司（XMO）用于太阳能、风能和天气预报。

🚩 新闻（2024年10月）：Time-LLM已被纳入PyPOTS。非常感谢PyPOTS团队！

🚩 新闻（2024年5月）：Time-LLM已被纳入NeuralForecast。特别感谢贡献者@JQGoh和@marcopeix！

🚩 新闻（2024年3月）：Time-LLM已升级为一个通用框架，可用于将多种语言模型重新用于时间序列预测。现在默认支持Llama-7B，并兼容另外两种较小的PLM（GPT-2和BERT）。只需调整--llm_model和--llm_dim即可切换主干模型。

简介

Time-LLM是一个重编程框架，旨在将LLM重新用于通用的时间序列预测，同时保持其原始的语言模型结构不变。值得注意的是，我们证明了时间序列分析（例如预测）可以被视为另一种“语言任务”，而现成的LLM能够有效地解决这一任务。

• Time-LLM包含两个关键组件：(1) 将输入的时间序列重新编程为更适合LLM处理的文本原型表示；(2) 通过声明式提示（例如领域专家知识和任务指令）增强输入上下文，以引导LLM的推理过程。

需求

使用MiniConda中的Python 3.11

• torch==2.2.2
• accelerate==0.28.0
• einops==0.7.0
• matplotlib==3.7.0
• numpy==1.23.5
• pandas==1.5.3
• scikit_learn==1.2.2
• scipy==1.12.0
• tqdm==4.65.0
• peft==0.4.0
• transformers==4.31.0
• deepspeed==0.14.0
• sentencepiece==0.2.0

安装所有依赖项：

pip install -r requirements.txt

数据集

您可以从[Google Drive]获取预处理好的数据集，然后将下载的内容放入./dataset目录下。

快速演示

1. 下载数据集并将其放入./dataset目录。
2. 调整模型参数。我们在./scripts文件夹中提供了五个用于演示的实验脚本。例如，您可以在ETT数据集上进行评估：

bash ./scripts/TimeLLM_ETTh1.sh 

bash ./scripts/TimeLLM_ETTh2.sh 

bash ./scripts/TimeLLM_ETTm1.sh 

bash ./scripts/TimeLLM_ETTm2.sh

详细使用方法

请参考run_main.py、run_m4.py和run_pretrain.py，以了解每个超参数的详细说明。

延伸阅读

作为最早探索大型语言模型与时间序列交叉领域的工作之一，我们衷心感谢开源社区对我们研究的支持。尽管我们目前不计划对 Time-LLM 主代码库进行重大更新，但我们仍然欢迎 建设性的 Pull Request，以帮助维护和改进该库。

🌟 请查看我们团队的最新研究项目，如下所示。

1. TimeOmni-1：在大型语言模型中利用时间序列激励复杂推理，arXiv 2025。

作者: 关彤、孟子杰、李典奇、王世宇、杨超翰、温庆松、刘作柱、萨巴托·马可·西尼斯卡基、金明、潘诗睿

@article{guan2025timeomni,
  title={TimeOmni-1: Incentivizing Complex Reasoning with Time Series in Large Language Models},
  author={Guan, Tong and Meng, Zijie and Li, Dianqi and Wang, Shiyu and Yang, Chao-Han Huck and Wen, Qingsong and Liu, Zuozhu and Siniscalchi, Sabato Marco and Jin, Ming and Pan, Shirui},
  journal={arXiv preprint arXiv:2509.24803},
  year={2025}
}

2. Time-MQA：基于上下文增强的时间序列多任务问答，发表于 ACL 2025。 [HuggingFace]

作者: 孔亚轩、杨一元、黄润泰、杜文杰、斯特凡·佐伦、王张洋、金明、温庆松

@inproceedings{kong2025time,
  title={Time-mqa: Time series multi-task question answering with context enhancement},
  author={Kong, Yaxuan and Yang, Yiyuan and Hwang, Yoontae and Du, Wenjie and Zohren, Stefan and Wang, Zhangyang and Jin, Ming and Wen, Qingsong},
  booktitle={The 63rd Annual Meeting of the Association for Computational Linguistics (ACL 2025)},
  year={2025}
}

3. 迈向时间序列基础模型的神经规模定律，发表于 ICLR 2025。 [GitHub 仓库]

作者: 姚清仁、杨超翰、蒋仁和、梁宇轩、金明、潘诗睿

@inproceedings{yaotowards,
  title={Towards Neural Scaling Laws for Time Series Foundation Models},
  author={Yao, Qingren and Yang, Chao-Han Huck and Jiang, Renhe and Liang, Yuxuan and Jin, Ming and Pan, Shirui},
  booktitle={International Conference on Learning Representations (ICLR)},
  year={2025}
}

4. Time-MoE：基于专家混合的大规模时间序列基础模型，发表于 ICLR 2025。 [GitHub 仓库]

作者: 史晓明、王世宇、聂宇琪、李典奇、叶舟、温庆松、金明

@inproceedings{shi2024time,
  title={Time-moe: Billion-scale time series foundation models with mixture of experts},
  author={Shi, Xiaoming and Wang, Shiyu and Nie, Yuqi and Li, Dianqi and Ye, Zhou and Wen, Qingsong and Jin, Ming},
  booktitle={International Conference on Learning Representations (ICLR)},
  year={2025}
}

5. TimeMixer++：用于通用预测分析的通用时间序列模式机器，发表于 ICLR 2025。 [GitHub 仓库]

作者: 王世宇、李嘉伟、史晓明、叶舟、莫百川、林文泽、鞠圣通、褚志轩、金明

@inproceedings{wang2024timemixer++,
  title={TimeMixer++: A General Time Series Pattern Machine for Universal Predictive Analysis},
  author={Wang, Shiyu and Li, Jiawei and Shi, Xiaoming and Ye, Zhou and Mo, Baichuan and Lin, Wenze and Ju, Shengtong and Chu, Zhixuan and Jin, Ming},
  booktitle={International Conference on Learning Representations (ICLR)},
  year={2025}
}

致谢

我们的实现以 Time-Series-Library 和 OFA (GPT4TS) 为基础代码库，并根据我们的需求进行了大量修改。我们感谢这些作者分享他们的实现及相关资源。

Time-LLM 快速上手指南

Time-LLM 是一个重编程框架，旨在利用现成的超大语言模型（LLM）进行通用时间序列预测，而无需修改 LLM 的主干结构。它将时间序列分析转化为一种“语言任务”，通过文本原型表示和声明式提示词引导模型推理。

环境准备

系统要求

• 操作系统: Linux / macOS (Windows 需使用 WSL)
• Python 版本: 推荐 3.11 (基于 MiniConda 环境)
• 硬件: 建议使用支持 CUDA 的 NVIDIA GPU 以加速推理和训练

前置依赖

项目核心依赖包括 torch, transformers, accelerate, peft 等。为确保兼容性，请严格参照以下版本列表。

安装步骤

1. 创建并激活 Conda 环境

conda create -n time-llm python=3.11
conda activate time-llm

2. 安装依赖包

推荐使用国内镜像源（如清华源）加速安装过程：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

如果自动安装失败，可手动安装核心组件：

pip install torch==2.2.2 accelerate==0.28.0 einops==0.7.0 matplotlib==3.7.0 numpy==1.23.5 pandas==1.5.3 scikit_learn==1.2.2 scipy==1.12.0 tqdm==4.65.0 peft==0.4.0 transformers==4.31.0 deepspeed==0.14.0 sentencepiece==0.2.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 准备数据集

从 Google Drive 下载预处理好的数据集。 注：国内用户若无法访问 Google Drive，可关注相关中文解读文章（如机器之心、量子位等）中是否提供百度网盘镜像，或自行上传至云盘下载。

将下载的数据集解压并放置于项目根目录下的 ./dataset 文件夹中。

基本使用

项目提供了针对 ETT 系列数据集的预设脚本，位于 ./scripts 目录下。以下是运行预测任务的最简示例。

运行 ETT 数据集预测

在终端执行以下命令即可启动模型评估（以 ETTh1 为例）：

bash ./scripts/TimeLLM_ETTh1.sh

其他可用脚本包括：

bash ./scripts/TimeLLM_ETTh2.sh
bash ./scripts/TimeLLM_ETTm1.sh
bash ./scripts/TimeLLM_ETTm2.sh

自定义参数

如需调整超参数或切换骨干模型（默认支持 Llama-7B，兼容 GPT-2 和 BERT），请参考 run_main.py、run_m4.py 和 run_pretrain.py 中的参数定义。

例如，切换骨干模型可通过修改脚本中的 --llm_model 和 --llm_dim 参数实现：

# 示例：在脚本中指定不同的 llm_model
python run_main.py --llm_model GPT2 --llm_dim 768 ...