Text2Freq：通过频域从文本学习序列模式

传统的时间序列预测模型主要依赖历史数值来预测未来结果。虽然这些模型已经显示出有前景的结果，但它们常常忽略了其他模态中丰富的信息，例如特殊事件的文本描述，这些信息可以为未来的动态提供关键洞察。然而，与其他跨模态工作相比，将文本联合纳入时间序列预测的研究仍然相对不足。此外，时间序列数据与文本信息之间的模态差距为多模态学习带来了挑战。为了解决这一任务，我们提出了 Text2Freq，一个通过频域整合文本和时间序列数据的跨模态模型。具体而言，我们的方法将文本信息对齐到时间序列数据的低频分量，在这两个模态之间建立更有效和可解释的关联。我们在真实股票价格和合成文本的配对数据集上的实验表明，Text2Freq 达到了最先进的性能，其可适应的架构鼓励该领域未来的研究。