字节跳动推出多模态大语言模型ChatTS：专门用于时间序列分析

清华大学和字节跳动的研究人员推出多模态大语言模型ChatTS ，专门用于时间序列分析。它通过自然语言命令帮助用户快速理解时间序列数据，执行日常任务，并处理复杂的推理问题。ChatTS 的核心优势在于其能够将时间序列数据作为独立的模态进行处理，类似于视觉 MLLM 处理图像的方式，从而实现对时间序列的深度理解和推理。

• GitHub：https://github.com/NetManAIOps/ChatTS
• 模型：https://huggingface.co/bytedance-research/ChatTS-14B

主要功能

1. 编辑文件并修复代码库中的错误：ChatTS 可以直接编辑文件，修复代码中的错误，确保代码的正确性和可读性。
2. 回答有关代码架构和逻辑的问题：通过自然语言命令，ChatTS 能够解释代码的架构和逻辑，帮助用户更好地理解代码。
3. 执行并修复测试、代码检查等命令：自动运行测试和代码检查命令，并根据结果提供修复建议，确保代码质量。
4. 搜索 Git 历史记录，解决合并冲突，创建提交和拉取请求：通过 Git 历史记录搜索，快速定位问题，解决合并冲突，并创建提交和拉取请求。
5. 时间序列理解与推理：ChatTS 能够处理多变量时间序列数据，执行复杂的推理任务，如趋势分析、周期性检测、异常识别等。

主要特点

• 多模态处理能力：ChatTS 将时间序列数据作为独立模态处理，支持多变量时间序列输入，能够同时处理多个时间序列数据。
• 合成数据生成：为了解决高质量时间序列与文本对齐数据稀缺的问题，ChatTS 提出了一种基于属性的合成数据生成方法，能够生成具有详细属性描述的时间序列数据。
• 时间序列演化指令（TSEvol）：通过多样化的属性组合和任务，TSEvol 能够生成多样化的问答数据集，增强模型的推理能力。
• 自适应界面：ChatTS 提供自适应界面，支持压感触控笔输入，可配置多种笔划样式，适用于不同设备和屏幕尺寸。
• 高效推理：ChatTS 通过上下文感知的时间序列编码器，能够处理任意长度的时间序列数据，同时保留原始数值信息。

工作原理

1. 合成数据生成：ChatTS 使用基于属性的方法生成合成时间序列数据。这些数据不仅包含时间序列的数值信息，还附带详细的文本描述，确保模型能够准确理解和对齐时间序列与文本信息。
2. 时间序列编码：ChatTS 将输入的时间序列数据分割成固定大小的片段，通过多层感知机（MLP）对每个片段进行编码，然后将编码后的片段与文本嵌入对齐，确保时间序列和文本信息在同一空间中表示。
3. 上下文感知编码：ChatTS 通过上下文感知的时间序列编码器，将多变量时间序列数据的上下文信息完整保留，确保模型能够准确分析多变量之间的关系。
4. 问答生成与训练：使用 TSEvol 算法生成多样化的问答数据集，通过大规模对齐训练和监督微调（SFT），提升模型的时间序列理解能力和推理能力。

具体应用场景

1. AIOps（人工智能运维）：在系统监控和故障诊断中，ChatTS 可以通过自然语言对话帮助运维人员快速定位问题，分析多变量时间序列数据，识别异常并提供解决方案。
2. 金融市场分析：ChatTS 可以分析股票价格、交易量等时间序列数据，帮助投资者进行市场趋势分析和风险评估。
3. 医疗健康：在医疗领域，ChatTS 可以分析心电图（ECG）、脑电图（EEG）等时间序列数据，辅助医生进行疾病诊断和治疗方案制定。