STaT：通过三模态协同解决非平稳时间序列中的形变问题
机器学习
2026-05-26 v1
摘要
最近的基于时间序列预测研究频繁探讨如何将文本和视觉模态与数值模型集成，以更好地应对非平稳环境。尽管提供了稳健的数值结果，但现有的多模态方法通常面临一种困境：优先最小化平均误差会导致预测过于平滑，忽略关键波动。为解决这一限制，我们提出STaT（Symbolic-Temporal-Textual Alignment的符号-时间-文本对齐），一种创新的多模态架构，无缝融合三种协同模态。具体而言，符号模态将连续时间序列转换为离散标记，便于准确识别结构模式和拐点；时间模态提取内在的序列依赖关系；文本模态利用领域语义引导宏观预测趋势。八个真实基准数据的全面评估表明，STaT实现了卓越的性能，在提升常规幅度指标方面最高可提高8.9%，同时将形变降低最高8.5%。
引用
@article{arxiv.2605.25943,
title = {STaT: Resolving Shape Distortion in Non-Stationary Time Series via Tri-Modal Synergy},
author = {Hui Cheng and Jinsheng Guo and Zhenhao Weng and Yan Qiao and Meng Li},
journal= {arXiv preprint arXiv:2605.25943},
year = {2026}
}