InstructTime++：基于隐式特征增强与多模态语言建模的时间序列分类
机器学习
2026-01-22 v1 人工智能
摘要
现有大多数时间序列分类方法采用判别式范式，将输入序列直接映射为独热编码的类别标签。尽管这种范式有效，但它难以融入上下文特征，且无法捕捉类别间的语义关系。为解决这些局限性，我们提出了 InstructTime，一种将时间序列分类重新表述为多模态生成任务的新颖框架。具体而言，连续数值序列、上下文文本特征与任务指令被视作多模态输入，而类别标签由微调后的语言模型作为文本输出生成。为弥合模态鸿沟，InstructTime 引入了一个时间序列离散化模块，将连续序列转换为离散时间 token，并结合对齐投影层与生成式自监督预训练策略，以增强跨模态表示对齐。在此框架基础上，我们进一步提出 InstructTime++，通过引入隐式特征建模来弥补语言模型归纳偏置的不足。InstructTime++ 利用专用工具包从原始时间序列与上下文输入中挖掘信息丰富的隐式模式，包括统计特征提取与基于视觉-语言的图像描述，并将其转化为文本描述以实现无缝集成。在多个基准数据集上的大量实验证明了 InstructTime++ 的优越性能。
引用
@article{arxiv.2601.14968,
title = {InstructTime++: Time Series Classification with Multimodal Language Modeling via Implicit Feature Enhancement},
author = {Mingyue Cheng and Xiaoyu Tao and Huajian Zhang and Qi Liu and Enhong Chen},
journal= {arXiv preprint arXiv:2601.14968},
year = {2026}
}