DualSG：一种双流显式语义引导的多变量时间序列预测框架

多变量时间序列预测在许多应用中起着关键作用。近期的研究探索了利用大语言模型进行多变量时间序列预测，以发挥其推理能力。然而，许多方法将大语言模型视为端到端的预测器，这往往导致数值精度的损失，并迫使大语言模型处理超出其设计初衷的模式。另一方面，那些试图在潜在空间中对齐文本和时间序列模态的方法，常常面临对齐困难的问题。在本文中，我们提出不应将大语言模型视为独立的预测模块，而是将其作为双流框架中的语义引导模块。我们提出了一种名为DualSG的双流框架，该框架提供明确的语义引导，其中大语言模型作为语义引导器，用于优化而非替代传统的预测结果。作为DualSG的一部分，我们引入了“时间序列描述”（Time Series Caption）这一显式的提示格式，它通过自然语言总结趋势模式，并为大语言模型提供可解释的上下文，而不是依赖于文本与时间序列在潜在空间中的隐式对齐。我们还设计了一个基于描述的融合模块，该模块在建模变量间关系的同时，减少了噪声和计算量。在来自不同领域的实际数据集上的实验表明，DualSG在性能上始终优于15种最先进的基线方法，证明了将数值预测与显式语义引导相结合的价值。