Adapting Large Language Models to Forecast in Frequency Domain
Identification
- Clé publique
- radar:r-c560bbb2d98ff04c13dfe69d9fa3826b
- Auteurs
- Yungeng Zhang · Yuan Chang · Xiaohou Shi · Yaqi Song · Feng Wang · Don‐Lin Yang
- Année déclarée
- 2025
- Langue déclarée
- en
- Type source
- conference-paper
- Première détection
- 2026-11-14T02:29:22.188177+00:00
- Dernière observation des métadonnées
- 2026-11-14T02:29:22.188177+00:00
- Dernière vérification HTTP
- Non effectuée
Institutions déclarées par la source
China Telecom
Pays d’affiliation déclarés
CN
Résumé documentaire — langue originale
Large language models (LLMs) have recently been applied to time series forecasting to leverage their reasoning and pattern recognition capabilities. Compared to task-specific forecasting models, LLMs exhibit generalizability and a broad understanding of cross-domain knowledge. However, current LLM-based forecasting methods overlook the importance of frequency properties in sequence data, which is a critical aspect in time series analysis. In this work, we propose an approach to incorporate frequency domain representation and operations into an LLM-based forecasting framework. We transform the label sequences into Fourier complex-valued representations and adapt LLMs to forecast in the frequency domain. To enhance frequency analysis and prediction, a Fourier neural network is introduced in the LLM-based forecasting. Extensive experiments verify that our approach compares favorably against the state-of-the-art methods in time series forecasting.
Identifiants
- OPENALEX
- https://openalex.org/W4408353938
- DOI
- 10.1109/icassp49660.2025.10890112
Repères documentaires
- Famille documentaire
- conference_paper
- Types déclarés par les sources
- conference-paper
Les mentions d’entités ne constituent pas une preuve de reconnaissance juridique. La juridiction étudiée est distincte du pays d’affiliation des auteurs.
Sources
OpenAlex · Document 1
Citer cette référence
Yungeng Zhang; Yuan Chang; Xiaohou Shi; Yaqi Song; Feng Wang; Don‐Lin Yang. Adapting Large Language Models to Forecast in Frequency Domain. 2025. https://doi.org/10.1109/icassp49660.2025.10890112
JSON · CSL-JSON · BibTeX · RIS · CSV · JSON-LD ·
APA, Chicago, ISO 690 : formats bibliographiques fondés sur les champs disponibles. OSCOLA / Bluebook : données structurées uniquement ; aucune conformité juridique complète n’est revendiquée sans vérification des éléments nécessaires.
- APA
- Yungeng Zhang; Yuan Chang; Xiaohou Shi; Yaqi Song; Feng Wang; Don‐Lin Yang. (2025). Adapting Large Language Models to Forecast in Frequency Domain. https://doi.org/10.1109/icassp49660.2025.10890112
- Chicago
- Yungeng Zhang; Yuan Chang; Xiaohou Shi; Yaqi Song; Feng Wang; Don‐Lin Yang. Adapting Large Language Models to Forecast in Frequency Domain. 2025. https://doi.org/10.1109/icassp49660.2025.10890112
- ISO 690
- Yungeng Zhang; Yuan Chang; Xiaohou Shi; Yaqi Song; Feng Wang; Don‐Lin Yang. Adapting Large Language Models to Forecast in Frequency Domain. 2025. https://doi.org/10.1109/icassp49660.2025.10890112
Warning: Undefined array key "last_link_verified" in /home/clients/e27d81e12f04d2bfd747aa264540ac56/sites/_UDTR_APP/legal_library_reference.php on line 31
UDTR — Bibliothèque juridique mondiale des droits de la Nature. Adapting Large Language Models to Forecast in Frequency Domain. Notice documentaire: https://www.declarationuniverselledesdroitsdelarbre.org/global-rights-of-nature-radar/reference/r-c560bbb2d98ff04c13dfe69d9fa3826b/ · Dernière vérification HTTP : non effectuée
Données de cette version figée
Dossiers et relations documentaires
Rôles des sources
Source bibliographique / publication d’origine · https://doi.org/10.1109/icassp49660.2025.10890112
Un lien vers une autorité ne prouve pas à lui seul une affirmation juridique. Les résumés et les textes intégraux restent soumis aux conditions de leur source.
Statut documentaire
Pertinence à examiner
Bibliothèque
Cette identité n’est pas encore intégrée à la Bibliothèque juridique.