LLM-фреймворк TSF уменьшил ошибку прогнозирования в промышленности на 6,4%
Учёные из Китая разработали новый подход к прогнозированию временных рядов в промышленности — Task-Semantic Field Factorization (TSF). Метод использует большую языковую модель (LLM) для создания семантического поля на основе технической документации до начала обучения. Это позволяет учитывать смысловые связи между переменными и целевым показателем при каждом предсказании.
Ключевая проблема промышленного прогнозирования — нехватка размеченных данных и частая смена режимов работы. Обычные модели временных рядов воспринимают входные данные как анонимные числовые столбцы. TSF же интегрирует семантику из описаний переменных, их единиц измерения и ролей в процессе.
При этом LLM используется только на этапе offline-построения семантического поля. Само обучение и inference выполняются на традиционных алгоритмах временных рядов. Это делает метод лёгким для внедрения: добавленные параметры составляют всего 1,8–3,0 тыс., а дополнительная вычислительная нагрузка — менее 0,008 мс на шаг.
Эксперименты на нескольких сложных задачах промышленного прогнозирования и мягкого измерения показали снижение средней абсолютной ошибки (MAE) в среднем на 6,4%. В лучшем случае улучшение достигло 25,5%. TSF даёт измеримый прирост точности независимо от используемого бэкбона и генератора семантики.
Авторы подчёркивают, что TSF превращает существующую процессную документацию в практический выигрыш в качестве прогнозов. Метод особенно актуален для отраслей, где часто меняются технологические режимы и требуется быстро адаптировать модели без перестройки всей инфраструктуры.
Разработка опубликована в репозитории arXiv. В ближайшее время возможно появление открытых реализаций для инженерных команд, работающих с прогнозированием на производстве.
