多模态时间序列预测的自适应信息路由
机器学习
2025-12-24 v3 人工智能
摘要
时间序列预测是人工智能中一个关键任务，具有众多实际应用。传统方法主要依赖历史时间序列数据来预测未来值。然而，在实际场景中，这往往不足以实现准确预测。为此，探索了将额外数据模态（主要为文本数据）与时间序列数据一起使用的多模态时间序列预测方法。本工作引入自适应信息路由 (AIR) 框架，作为多模态时间序列预测的新方法。与现有方法将文本数据与时间序列数据视为可互换的辅助特征来进行预测不同，AIR 利用文本信息动态指导时间序列模型，通过控制如何以及在何处程度上组合多变量时间序列信息来实现这一点。我们还提出了一个文本精炼管道，该管道采用大型语言模型将原始文本数据转换为适用于多模态预测的形式，并引入一个基准，便于基于此管道进行多模态预测实验。实验结果表明，AIR 在使用文本输入有效地调制时间序列模型的行为方面具有显著优势，显著提升了各种时间序列预测任务中的预测准确性。
引用
@article{arxiv.2512.10229,
title = {Adaptive Information Routing for Multimodal Time Series Forecasting},
author = {Jun Seo and Hyeokjun Choe and Seohui Bae and Soyeon Park and Wonbin Ahn and Taeyoon Lim and Junhyeok Kang and Sangjun Han and Jaehoon Lee and Dongwan Kang and Minjae Kim and Sungdong Yoo and Soonyoung Lee},
journal= {arXiv preprint arXiv:2512.10229},
year = {2025}
}