基于自适应多头对齐与残差融合的三模态时间序列预测框架 T3Time
机器学习
2025-08-07 v1
摘要
多变量时间序列预测（MTSF）旨在建模变量之间的时间动态以预测未来趋势。基于变换器的模型和大语言模型（LLM）因其捕捉长程依赖和模式的能力而显示出前景。然而，当前方法常依赖刚性归纳偏置，忽视变量间相互作用，或应用静态融合策略限制跨预测时域的适应性。这些局限导致无法捕捉时间序列数据中细微的、时域特定的关系。为解决此问题，我们提出 T3Time，一种新型三模态框架，包含时间、频谱和提示三个分支，其中专门的频率编码分支捕捉周期结构，同时通过门控机制在预测时域下学习时间特征与频谱特征的优先级。我们还提出一种机制，通过动态加权每个头部的重要性来适应性地聚合多个跨模态对齐头部。广泛的基准数据集上的实验表明，我们的模型在所有 SOTA 基线上均表现出色，在 MSE 上平均降低 3.28%，在 MAE 上平均降低 2.29%。此外，在 few-shot 学习设置中表现突出：使用 5% 训练数据时，MSE 和 MAE 分别降低 4.13% 和 1.91%；使用 10% 数据时，平均降低 3.62% 和 1.98%。代码 - https://github.com/monaf-chowdhury/T3Time/
引用
@article{arxiv.2508.04251,
title = {T3Time: Tri-Modal Time Series Forecasting via Adaptive Multi-Head Alignment and Residual Fusion},
author = {Abdul Monaf Chowdhury and Rabeya Akter and Safaeid Hossain Arib},
journal= {arXiv preprint arXiv:2508.04251},
year = {2025}
}