基于大语言模型的时序数据分析新突破：工业智能场景下模型架构与数据集构建实战应用

以下是根据您提供的原始文章，模仿人工撰写风格进行处理后更利于SEO优化的文章版本。整理后的文章结构清晰、段落分明，并加入了适当的关键词布局，以提升搜索引擎友好度。

## （由多段落组成）

航空发动机运维引入大模型技术，时序问答任务实现新突破

近年来，随着人工智能技术的不断发展，大型语言模型在多个领域展现出强大的应用潜力。近日，上海交通大学航空航天学院李元祥教授团队联合创智学院与复旦大学数据科学学院，提出了一种面向航空发动机监控场景的新型架构——ITFormer，成功将复杂时序数据分析与自然语言处理相结合，在工业智能领域迈出了关键一步。

该研究首次系统性地定义了“时序问答”任务范式，将专家对设备状态的认知过程抽象为“理解-感知-推理-决策”四个层次，打破了传统方法仅关注分类或预测的局限性，使数据分析更贴近真实的人类思维流程。

EngineMT-QA数据集：首个工业级时序问答基准

为了验证模型在实际工业场景中的表现，研究团队基于NASA公开的N-CMAPSS数据集构建了EngineMT-QA数据集。该数据集包含超过11万条高质量问答对，涵盖32个传感器通道和600个时间步的数据维度，所有样本均经过领域专家审核，确保其技术准确性与实用性。

EngineMT-QA不仅提供了标准化的评估平台，还为后续研究提供了宝贵资源。通过这一数据集，研究人员能够更好地模拟工程师在日常运维中常见的交互式提问，例如：“昨天哪个设备能耗最高？”、“为什么能耗异常？”等，从而推动数据分析的智能化与大众化。

ITFormer架构解析：轻量高效，即插即用

ITFormer的核心设计理念是作为“桥梁”，在不改变预训练时序编码器和大语言模型的前提下，实现两者的高效融合。其模块设计包括：

– 时间令牌位置编码（TPE）：从时间步、通道和片段三个维度进行位置编码，增强模型对多维时序结构的理解能力。
– 可学习指令令牌（LIT）：引导模型聚焦于任务相关的语义信息，提高跨模态对齐效率。
– 指令时间注意力（ITA）：通过双阶段注意力机制，动态筛选出与任务最相关的传感器数据与时间片段。
– 时间令牌即语言（TAL）：将融合后的时序特征直接嵌入到语言模型输入序列中，实现端到端建模。

实验表明，ITFormer仅需微调不到1%的额外参数，即可在多种任务上达到优异性能，展现了极强的迁移能力与扩展性。

性能对比：超越ChatGPT-4o，实现SOTA表现

在EngineMT-QA数据集上的测试结果显示，ITFormer全面优于当前主流的多模态API（如ChatGPT-4o、Gemini）以及专用时序文本模型（如Time-LLM、AutoTime），尤其在“推理”与“决策”类任务中表现出显著优势。

特别是在因果分析任务中，ITFormer的准确率高达83%，在F1分数和BLEU得分方面也领先其他模型，充分体现了其对复杂时序-语言关系的强大建模能力。

此外，研究团队还在通用基准TimeSeriesExam上进行了跨域测试。结果表明，即便未使用EngineMT-QA进行预训练，ITFormer仍能在多项任务中超越基线模型；而在使用该数据集进行预训练后，其性能进一步提升，全部五项任务均达到SOTA水平。

架构通用性强，适配多种模型与编码器

ITFormer具备良好的兼容性，可无缝适配多种主流时序编码器（如PatchTST、Informer、Crossformer）和大语言模型（如Qwen、LLaMA、GLM）。同时，随着底层语言模型规模的增加，整体性能也随之提升，显示出出色的可扩展性和适应性。

这种“即插即用”的特性，使得ITFormer不仅适用于航空发动机监控，还可广泛应用于医疗诊断、金融风控、智能制造等多个需要复杂时序分析的领域。

推理效率高，适合大规模部署

除了性能优越外，ITFormer在计算效率方面同样表现出色。实验证明，其核心模块ITA相比传统跨模态注意力机制，在处理长序列、多通道数据时具有更高的推理速度。结合LIT模块对长文本输入的有效压缩，ITFormer在保持高性能的同时，大幅降低了计算开销，为实时应用场景提供了可行性保障。

未来展望：开启时序AI新纪元

ITFormer与EngineMT-QA的推出，标志着时序数据分析正式迈入“语言+时序”融合的新时代。它们不仅为工业智能提供了解决复杂问题的新思路，也为学术界提供了全新的研究范式与数据资源。