时序数据分析在工业监控、医疗会诊等畛域至关紧迫。

比如航空发动机监控这个复杂工业场景中，工程师需分析海量多通说念传感器数据，以判断开导现象并制定珍摄有运筹帷幄。

然而，现存洽商多聚焦于分类、推断等单一任务，与推行工业场景中人人通过当然谈话进行复杂交互和有运筹帷幄的需求存在显赫互异。

上海交通大学航空航天学院李元祥训诫团队、上海创智学院、复旦大学数据科学学院团队以航空发动机运维为配景，提议高效、可挪动的时序 - 谈话桥接架构——ITFormer，将人人会诊过程抽象为"相识、感知、推理、有运筹帷幄"四个领会头绪，并初度系统性地界说为"时序问答"任务范式。

团队基于 NASA 航空发动机数据，构建了包含 11 万余问答对的 EngineMT-QA 数据集。该数据集的任务假想细密贴合人人的领会历程，为评估模子在的确工业场景下的推理才调提供了首个法子化基准。

适度裸露，ITFormer 以模块化假想结束了时序数据与大谈话模子的高效交融，仅需磨真金不怕火不及 1% 的特殊参数，便可在通用时序问答数据集上施展出优胜的性能和考究的挪动才调，展现了超卓的"即插即用"特质。它可无缝适配 PatchTST、Informer、Crossformer 等多种时序编码器，以及 Qwen、LLaMA、GLM 等不同范围和架构的大谈话模子。

此外，在使用 EngineMT-QA 进行预磨真金不怕火后，ITFormer 的性能获取进一步的浩大普及，在一齐五项任务上均达到 SOTA 水平，其中"因果分析"准确率高达 0.83。

用户不错进行追问式探索，"昨天哪个开导的能耗最高？"   "为什么它的能耗这样高？" "和上周同期比较情况如何？"。这种交互式的分析历程，让数据探索过程更顺应东说念主类的念念维俗例，从而确凿结束了数据分析的群众化。

航空发动机能用大模子了

时间难点

高维数据的语义索取：单个时序样本可包含数万个数值（如 32 通说念 × 600 时刻步），如何从中索取出灵验的语义特征是重浩劫题。

抽象语义的对皆建模：时序信号的模式变化（如慢慢高涨、转眼波动）与物理系统的现象挽救（如开导老化、突发故障）之间的对应关系高度抽象，难以径直建模。

多圭臬时刻依赖的处理：时序数据中的要津信息可能漫衍在不同的时刻圭臬上，模子必须具备处理多圭臬依赖的才调。

ITFormer 架构与要津模块

ITFormer 的假想念念想是手脚一个轻量级的"桥梁"，在冻结预磨真金不怕火时序编码器和大型谈话模子（LLM）的前提下，结束两者的高效对皆与交融。

时刻令牌位置编码（TPE）

为精准表征多维时序数据的结构，TPE 在三个头绪上进行位置编码：时刻步（Temporal Steps）、通说念（Channels）和时序片断（Segments），确保模子能分手不同时间点、不同传感器以及不同数据段的语义信息。

可学习辅导令牌（LIT）

为了让模子相识具体的任务辅导，LIT 在文本查询前添加了一组可学习的令牌。这些令牌通过自概括力机制，大致从当然谈话查询中自动拿获并浓缩任务干系的语义信息，从而引导后续的跨模态交融。

辅导时刻概括力（ITA）

手脚 ITFormer 的中枢翻新，ITA 通过一个高效的两阶段过程结束跨模态对皆：

通说念辅导交融（Channel Instruct Fusing）：笔据 LIT 提供的任务辅导，动态地对每个时刻步上的多通说念特征进行加权团聚，筛选出与任务最干系的传感器信息。

时刻辅导概括力（Time Instruct Attention）：在上一步的基础上，再次笔据任务辅导，在时刻维度上进行概括力加权，团聚最要津的时刻片断信息。

这一假想显赫普及了野心成果，同期保证了对皆的精准性。

时刻令牌即谈话（TAL）

该战术将 ITA 交融后的时序特征向量径直视为谈话令牌，并替换掉文本查询中预设的占位符。这使得时序信息能以一种与谈话模子兼容的款式，无缝镶嵌到 LLM 的输入序列中，从而结束端到端的建模。

EngineMT-QA 数据集假想

EngineMT-QA 基于的确的工业期骗场景假想，其任务头绪反馈了人人处理时序数据的领会过程。

数据范围：包含向上 11 万对高质地问答数据，源于 NASA N-CMAPSS 法子数据集。

数据维度：遮蔽 32 个传感器通说念，每个样本包含 600 个时刻步。

质地保证：所特殊据均经过畛域人人的交叉审核，确保时间准确性。

适配主流 LLMs，性能结束 SOTA

EngineMT-QA 数据集上的性能对比

在 EngineMT-QA 数据集上，ITFormer 的性能全面超过了包括主流多模态 API，如 ChatGPT-4o、Gemini，以及专用时序 - 文本模子 Time-LLM、AutoTime 在内的系数基线。尤其在需要深度分析的"推理"和"有运筹帷幄"任务上，F1 分数和 BLEU 得分的显赫启航点，讲解了 ITFormer 对复杂时序 - 谈话关系具备执意的建模才调。

ITFormer 模块灵验性考证：消融实验

消融实验适度量化了 ITFormer 各中枢组件的孝顺。实验标明：TPE（时刻令牌位置编码） 对模子性能的普及最为要津，是模子相识多维时序结构的基础。同期，ITA（辅导时刻概括力） 与 TPE 的长入大致产生显赫的协同效应。最终，包含一齐组件的完竣架构性能最好，考证了 ITFormer 系统性假想的灵验性。

架构通用性：适配不同期序编码器与谈话模子

ITFormer 展现了超卓的"即插即用"特质。实考讲解，它可无缝适配 PatchTST、Informer、Crossformer 等多种时序编码器，以及 Qwen、LLaMA、GLM 等不同范围和架构的大谈话模子。此外，跟着底层谈话模子范围的普及，举座任务性能也随之稳步提高，施展出考究的可扩张性。

跨域泛化与数据集价值

为考证模子与数据集的通用价值，洽商团队在公开基准 TimeSeriesExam 上进行了测试。

适度裸露：1.ITFormer 法子的灵验性：即便不经过预磨真金不怕火，ITFormer 径直在 TimeSeriesExam 上磨真金不怕火，其性能已在多个任务上优于通用基线，讲解了其架构假想的先进性。 2.EngineMT-QA 数据集的价值：在使用 EngineMT-QA 进行预磨真金不怕火后，ITFormer 的性能获取进一步的浩大普及，在一齐五项任务上均达到 SOTA 水平，其中"因果分析"准确率高达 0.83。

这充分阐述，EngineMT-QA 手脚一个时小序本对数据集，大致为模子提供对于时序 - 文本关系的本色性常识，从而显赫普及其在其他任务上的泛化才调。

推理成果考证

成果测试标明，ITA 机制相较于传统的跨模态概括力（cross-attention），在处理多通说念、长序列数据时推理速率上风显着。同期，LIT 模块也能灵验裁汰长文本输入带来的野心支拨。这些适度讲解，ITFormer 的架构假想兼顾了高性能与高成果，为大范围及时期骗提供了可能。

ITFormer 及 EngineMT-QA 为时序 AI 社区提供了新的洽商范式和珍贵资源，在工程和科学畛域均具有普遍的期骗出路。

时序 QA 论文告籍：

https://github.com/Pandalin98/Awesome-Time-Series-QA-Papers

名堂主页：

https://pandalin98.github.io/itformer_site/

论文连结：http://arxiv.org/abs/2506.20093

一键三连「点赞」「转发」「注意心」

迎接在褒贬区留住你的想法！

—  完  —

� � 点亮星标 � �

科技前沿进展逐日见欧洲杯体育