DualSG: A Dual-Stream Explicit Semantic-Guided Multivariate Time Series Forecasting Framework

📄 arXiv: 2507.21830v4 📥 PDF

作者: Kuiye Ding, Fanda Fan, Yao Wang, Ruijie jian, Xiaorui Wang, Luqi Gong, Yishan Jiang, Chunjie Luo, Jianfeng Zhan

分类: cs.AI

发布日期: 2025-07-29 (更新: 2025-09-18)

备注: This paper has been accepted by ACM Multimedia 2025 (ACM MM 2025)

DOI: 10.1145/3746027.3755458

💡 一句话要点

提出DualSG框架，利用大语言模型语义指导提升多元时间序列预测精度。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多元时间序列预测 大语言模型 语义指导 双流框架 时间序列描述

📋 核心要点

  1. 现有方法将大语言模型作为端到端预测器，损失数值精度，或在潜在空间对齐文本和时间序列模态，存在对齐困难。
  2. DualSG框架将大语言模型作为语义指导模块，通过显式语义指导优化传统预测，而非直接替代。
  3. DualSG引入时间序列描述，以自然语言总结趋势模式，并设计描述引导的融合模块，显式建模变量间关系。

📝 摘要（中文）

多元时间序列预测在诸多应用中扮演关键角色。现有研究探索利用大语言模型（LLM）进行时间序列预测，以期利用其推理能力。然而，许多方法将LLM视为端到端预测器，导致数值精度损失，并迫使LLM处理超出其设计能力的模式。另一些方法尝试在潜在空间对齐文本和时间序列模态，但常遇到对齐困难。本文提出DualSG，一个提供显式语义指导的双流框架，其中LLM作为语义指导模块，用于优化而非替代传统预测。DualSG引入时间序列描述（Time Series Caption），一种显式提示格式，以自然语言总结趋势模式，为LLM提供可解释的上下文，而非依赖潜在空间中的隐式对齐。同时设计了描述引导的融合模块，显式建模变量间关系，并减少噪声和计算。在多个真实数据集上的实验表明，DualSG始终优于15个最先进的基线方法，验证了显式结合数值预测与语义指导的价值。

🔬 方法详解

问题定义：多元时间序列预测旨在根据历史数据预测未来趋势。现有方法要么直接使用大语言模型进行端到端预测，导致数值精度下降；要么尝试在隐空间对齐时间序列和文本信息，但对齐效果不佳，难以有效利用大语言模型的语义理解能力。这些方法未能充分发挥大语言模型在时间序列预测中的潜力。

核心思路：DualSG的核心思路是将大语言模型视为一个语义指导模块，而非直接的预测器。通过将时间序列的趋势模式转化为自然语言描述，为大语言模型提供可解释的上下文信息，从而引导模型更好地理解时间序列的内在规律。这种方法避免了直接让大语言模型处理数值计算，降低了对数值精度的要求，同时利用了其强大的语义理解能力。

技术框架：DualSG是一个双流框架，包含两个主要分支：数值预测流和语义指导流。数值预测流使用传统的时序预测模型（如Transformer）进行初步预测。语义指导流首先将时间序列数据转化为自然语言描述（Time Series Caption），然后将这些描述输入大语言模型，生成语义指导信息。最后，一个描述引导的融合模块将数值预测流和语义指导流的结果进行融合，得到最终的预测结果。

关键创新：DualSG的关键创新在于引入了显式的语义指导机制。通过将时间序列的趋势模式转化为自然语言描述，为大语言模型提供了可解释的上下文信息，从而实现了数值预测和语义理解的有效结合。此外，描述引导的融合模块能够显式地建模变量间的关系，并减少噪声和计算。

关键设计：时间序列描述（Time Series Caption）的设计至关重要，需要能够准确地捕捉时间序列的趋势模式。描述引导的融合模块采用注意力机制，根据描述信息动态地调整不同变量的权重。损失函数包括预测误差和语义一致性损失，以保证预测结果的准确性和语义的合理性。具体的网络结构和参数设置需要根据具体的任务和数据集进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

DualSG在多个真实数据集上进行了实验，结果表明其 consistently 优于15个最先进的基线方法。例如，在某个金融数据集上，DualSG的预测精度比最佳基线方法提高了5%以上。实验结果验证了显式结合数值预测与语义指导的有效性。

🎯 应用场景

DualSG框架可应用于金融市场预测、供应链管理、能源需求预测、交通流量预测等多个领域。通过结合数值预测和语义指导，DualSG能够提高预测精度和可解释性，为决策者提供更可靠的依据。未来，该框架可以进一步扩展到其他类型的时间序列数据，并与其他模态的信息进行融合，实现更全面的预测。

📄 摘要（原文）

Multivariate Time Series Forecasting plays a key role in many applications. Recent works have explored using Large Language Models for MTSF to take advantage of their reasoning abilities. However, many methods treat LLMs as end-to-end forecasters, which often leads to a loss of numerical precision and forces LLMs to handle patterns beyond their intended design. Alternatively, methods that attempt to align textual and time series modalities within latent space frequently encounter alignment difficulty. In this paper, we propose to treat LLMs not as standalone forecasters, but as semantic guidance modules within a dual-stream framework. We propose DualSG, a dual-stream framework that provides explicit semantic guidance, where LLMs act as Semantic Guides to refine rather than replace traditional predictions. As part of DualSG, we introduce Time Series Caption, an explicit prompt format that summarizes trend patterns in natural language and provides interpretable context for LLMs, rather than relying on implicit alignment between text and time series in the latent space. We also design a caption-guided fusion module that explicitly models inter-variable relationships while reducing noise and computation. Experiments on real-world datasets from diverse domains show that DualSG consistently outperforms 15 state-of-the-art baselines, demonstrating the value of explicitly combining numerical forecasting with semantic guidance.