MGTS-Net：基于图增强的多模态时间序列预测网络
机器学习
2025-10-21 v1
摘要
近期研究在时间序列预测中探索了将多模态特征集成到模型中以提高准确性，但此类方法的准确性受到三个关键挑战的制约：（1）对细粒度时序模式的提取不足，（2）多模态信息的集成次优，（3）对动态多尺度特征的适应性有限。为解决这些问题，本文提出了 MGTS-Net，即一种用于时间序列预测的多模态图增强网络。该模型由三个核心组件构成：（1）多模态特征提取层（MFE），根据时序、视觉和文本模态的特征优化特征编码器，以提取细粒度时序模式；（2）多模态特征融合层（MFF），构建异构图来建模模内时序依赖关系和跨模态对齐关系，并动态聚合多模态知识；（3）多尺度预测层（MSP），通过动态加权和融合短期、中期和长期预测器的输出来适应多尺度特征。大量实验表明，MGTS-Net 在轻量级和高效能方面表现出色。与其他最新基线模型相比，我们的方法在性能上取得优异成绩，验证了所提方法的优越性。
引用
@article{arxiv.2510.16350,
title = {MGTS-Net: Exploring Graph-Enhanced Multimodal Fusion for Augmented Time Series Forecasting},
author = {Shule Hao and Junpeng Bao and Wenli Li},
journal= {arXiv preprint arXiv:2510.16350},
year = {2025}
}