解锁文本价值：基于事件驱动推理与多层次对齐的时间序列预测
人工智能
2026-03-17 v1
摘要
现有时间序列预测方法主要依赖自身的数值数据。然而，现实中的时间序列 exhibits 复杂模式，与多模态信息相关联，仅凭数值数据难以预测。虽然已涌现出多模态时间序列预测方法，但它们要么利用文本时信息有限，要么仅关注表征提取，提取的最少文本信息用于预测。为解锁文本价值，我们提出VoT方法，包含事件驱动推理与多层次对齐。事件驱动推理将结合外生文本中丰富信息与大语言模型(LLM)在时间序列预测中的强大推理能力。为引导LLM高效推理，我们提出历史情境学习(Historical In-context Learning)，检索并应用历史示例作为情境指导。为最大化文本利用，我们提出多层次对齐。At 表征层面，我们利用内生文本对齐将内生文本信息与时间序列集成。At 预测层面，我们设计自适应频率融合(Adaptive Frequency Fusion)，以实现事件驱动预测与数值预测频率成分的融合，获得互补优势。在10个实际领域的数据集上进行实验，显示相对于现有方法具有显著改进，验证了我们方法在文本利用方面的有效性。代码已公开于 https://github.com/decisionintelligence/VoT。
引用
@article{arxiv.2603.15452,
title = {Unlocking the Value of Text: Event-Driven Reasoning and Multi-Level Alignment for Time Series Forecasting},
author = {Siyuan Wang and Peng Chen and Yihang Wang and Wanghui Qiu and Chenjuan Guo and Bin Yang and Yang Shu},
journal= {arXiv preprint arXiv:2603.15452},
year = {2026}
}
备注
Accepted by ICLR 2026