Aurora: 迈向通用生成式多模态时间序列预测
机器学习
2026-03-10 v6
摘要
跨领域泛化在时间序列预测中非常重要，因为相似的历史信息可能由于领域特定特征而导致不同的未来趋势。近期工作专注于构建单模态时间序列基础模型和端到端多模态监督模型。由于领域特定知识通常包含在文本等模态中，前者缺乏对它们的显式利用，从而阻碍了性能。后者针对端到端场景进行了定制，不支持跨领域场景的零样本推理。在这项工作中，我们引入了Aurora，一个多模态时间序列基础模型，支持多模态输入和零样本推理。Aurora在跨领域多模态时间序列语料库上预训练，可以自适应地提取并聚焦于相应文本或图像模态中包含的关键领域知识，从而具有强大的跨领域泛化能力。通过标记化、编码和蒸馏，Aurora可以将多模态领域知识提取为指导，然后利用模态引导的多头自注意力将其注入时间表示的建模中。在解码阶段，多模态表示用于生成未来标记的条件和原型，从而贡献了一种新颖的原型引导流匹配用于生成概率预测。在5个公认的基准测试上的全面实验，包括TimeMMD、TSFM-Bench、ProbTS、TFB和EPF，证明了Aurora在单模态和多模态场景上持续的最先进性能。
引用
@article{arxiv.2509.22295,
title = {Aurora: Towards Universal Generative Multimodal Time Series Forecasting},
author = {Xingjian Wu and Jianxin Jin and Wanghui Qiu and Peng Chen and Yang Shu and Bin Yang and Chenjuan Guo},
journal= {arXiv preprint arXiv:2509.22295},
year = {2026}
}