تُعد تنبؤات السلسلات الزمنية متعددة المتغيرات دورًا محوريًا في العديد من التطبيقات. وقد استكشَفَت الدراسات الحديثة استخدام نماذج اللغة الكبيرة (Large Language Models) في تنبؤات السلسلات الزمنية متعددة المتغيرات (MTSF) للاستفادة من قدراتها على الاستدلال. ومع ذلك، تتعامل معظم الطرق مع نماذج اللغة الكبيرة كمُقدِّرين مُتكاملين (end-to-end forecasters)، مما يؤدي غالبًا إلى فقدان الدقة العددية ويُجبر نماذج اللغة الكبيرة على معالجة أنماط تتجاوز تصميمها المقصود. من ناحية أخرى، تواجه الطرق التي تحاول توافق الأنظمة النصية مع أنظمة السلسلات الزمنية داخل مساحة مخزنة (latent space) صعوبات متكررة في التوافق. في هذا البحث، نقترح معالجة نماذج اللغة الكبيرة ليس كمُقدِّرين مستقلين، بل كوحدات توجيهية دلالية ضمن إطار عمل ثنائي النطاق (dual-stream framework). نقدم إطار عمل DualSG، وهو إطار ثنائي النطاق يوفر توجيهًا دلاليًا صريحًا، حيث تعمل نماذج اللغة الكبيرة كأشرطة دلالية (Semantic Guides) لتحسين التنبؤات التقليدية بدلًا من استبدالها. كجزء من DualSG، نعرض "وصفًا زمنيًا للسلسلة" (Time Series Caption)، وهو شكل مُحدَّد من الرموز (prompt format) يلخّص أنماط الاتجاه باللغة الطبيعية ويقدم سياقًا قابلًا للتفسير لنموذج اللغة الكبير، بدلًا من الاعتماد على التوافق الضمني بين النص والسلسلة الزمنية داخل مساحة مخزنة. كما صممنا أيضًا وحدة تكامل موجهة بالوصف (caption-guided fusion module) التي تُشكِّل علاقات بين المتغيرات بشكل صريح، مع تقليل الضوضاء والحسابات. وخلال التجارب على مجموعات بيانات واقعية من مجالات متنوعة، أظهر DualSG تفوقًا مستمرًا على 15 من النماذج الأساسية (baselines) المتطورة حاليًا، مما يدل على قيمة الجمع الصريح بين التنبؤات العددية والتوجيه الدلالي.