BALM-TSF：面向基于 LLM 的时间序列预测的平衡多模态对齐
人工智能
2025-09-03 v1 信息检索
摘要
时间序列预测是一个长期且极具挑战性的研究课题。最近，随着大语言模型（LLMs）的兴起，研究越来越多地从纯粹的时间序列方法转向利用文本模态来提升预测性能。然而，文本与时间数据之间的巨大差异往往导致当前的多模态架构过度强调一种模态而忽视另一种，从而导致信息丢失并损害预测性能。为解决这种模态不平衡，我们提出了 BALM-TSF（面向基于 LLM 的时间序列预测的平衡多模态对齐），一个轻量级的时间序列预测框架，在两种模态之间保持平衡。具体而言，原始时间序列由时间序列编码器处理，而原始时间序列的描述性统计信息则通过可学习提示输入 LLM，生成紧凑的文本嵌入。为确保时间序列和文本嵌入之间的平衡跨模态上下文对齐，一种简单而有效的缩放策略结合对比目标，然后将这些文本嵌入映射到时间序列嵌入的潜在空间中。最后，对齐后的文本语义嵌入和时间序列嵌入一起被整合用于预测。在标准基准上的广泛实验表明，BALM-TSF 以最少的可训练参数，在长期预测和少样本预测方面均取得了最先进的性能，证实了其利用文本和时间序列互补信息的能力。代码可在 https://github.com/ShiqiaoZhou/BALM-TSF 获取。
引用
@article{arxiv.2509.00622,
title = {BALM-TSF: Balanced Multimodal Alignment for LLM-Based Time Series Forecasting},
author = {Shiqiao Zhou and Holger Schöner and Huanbo Lyu and Edouard Fouché and Shuo Wang},
journal= {arXiv preprint arXiv:2509.00622},
year = {2025}
}