DualSG：一种双流显式语义引导的多变量时间序列预测框架

于红博

摘要: 多变量时间序列预测在许多应用中起着关键作用。近期的研究探索了使用大型语言模型进行MTSF，以利用它们的推理能力。然而，许多方法将LLMs视为端到端的预测器，这经常导致数值精度的损失，并迫使LLMs处理超出其预期设计范围的模式。相反，试图在潜在空间内对齐文本和时间序列模态的方法经常遇到对齐困难。在本文中，我们提出将LLMs视为语义引导模块而不是独立的预测器，作为双流框架的一部分。我们提出了DualSG，一个提供明确语义指导的双流框架，其中LLMs充当语义引导以精炼而不是替换传统预测。作为DualSG的一部分，我们引入了时间序列标题，一种明确的提示格式，用自然语言总结趋势模式并为LLMs提供可解释的上下文，而不是依赖于潜在空间中文本和时间序列之间的隐式对齐。我们还设计了一个标题引导的融合模块，显式建模变量之间的关系同时减少噪音和计算。对来自不同领域的真实数据集进行的实验表明，DualSG始终优于15种最先进的基线方法，展示了明确将数字预测与语义引导结合的价值。

更新时间: 2025-09-18 09:23:30

领域: cs.AI

下载: http://arxiv.org/abs/2507.21830v4