Dual-Forecaster：一种融合描述性与预测性文本的多模态时间序列模型
机器学习
2025-05-05 v1
摘要
大多数现有的单模态时间序列模型仅依赖数值序列，这受到信息不足的限制。最近的研究表明，多模态模型可以通过整合文本信息来解决这一核心问题。然而，这些模型要么只关注历史文本信息，要么只关注未来文本信息，忽略了二者在时间序列预测中各自的独特贡献。此外，受限于其有限的多模态理解能力，这些模型未能把握文本数据与时间序列数据之间的复杂关系。为解决这些挑战，我们提出了 Dual-Forecaster，这是一种开创性的多模态时间序列模型，它结合了描述性的历史文本信息和预测性的文本见解，并利用三种精心设计的跨模态对齐技术所赋予的先进多模态理解能力。我们在十五个多模态时间序列数据集上的综合评估表明，Dual-Forecaster 是一种极其有效的多模态时间序列模型，其性能优于或可比肩其他最先进的模型，突显了整合文本信息进行时间序列预测的优越性。这项工作为将文本信息与数值时间序列数据整合以进行多模态时间序列分析开辟了新途径。
引用
@article{arxiv.2505.01135,
title = {Dual-Forecaster: A Multimodal Time Series Model Integrating Descriptive and Predictive Texts},
author = {Wenfa Wu and Guanyu Zhang and Zheng Tan and Yi Wang and Hongsheng Qi},
journal= {arXiv preprint arXiv:2505.01135},
year = {2025}
}