本文聚焦于五个方面：直接提示LLMs、时间序列量化、对齐技术、利用视觉模态作为桥梁，以及将LLMs与工具结合等，以实现对时间序列数据的有效分析。

本文从四个关键的角度出发：数据类型、模型种类、模型范畴和应用的领域。模型的分类包括两个主要的分支：时间序列分析大模型(LM4TS)和时空数据挖掘大模型(LM4STD)。

主要工作本篇文章提出了一种两阶段微调方法，首先通过监督微调将模型与时间序列的特性进行对其，引导LLM适应时间序列，接下来以下游预测任务为导向进一步对模型进行微调，从而保障不破坏语言模型固有特性的基础上使得模型能够更好地适配配各类不同域的数据及不同的下游任务。

LLM综合报告

主要工作本文的工作不同于利用LLM骨干的方法，是。提出了有效的时间序列数据标记化方法，并将离散分布转换为连续值的灵活密度。方法。

本文从四个关键的角度出发：数据类型、模型种类、模型范畴和应用的领域。模型的分类包括两个主要的分支：时间序列分析大模型(LM4TS)和时空数据挖掘大模型(LM4STD)。