Unlocking the Value of Text: Event-Driven Reasoning and Multi-Level Alignment for Time Series Forecasting

📄 arXiv: 2603.15452v1 📥 PDF

作者: Siyuan Wang, Peng Chen, Yihang Wang, Wanghui Qiu, Chenjuan Guo, Bin Yang, Yang Shu

分类: cs.AI

发布日期: 2026-03-16

备注: Accepted by ICLR 2026

🔗 代码/项目: GITHUB

💡 一句话要点

提出VoT，利用事件驱动推理和多层次对齐，提升文本增强时间序列预测性能。

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

关键词: 时间序列预测 多模态学习 文本信息 事件驱动推理 大型语言模型 上下文学习 频率融合

📋 核心要点

  1. 现有时间序列预测方法难以有效利用多模态信息，特别是文本信息，导致预测精度受限。
  2. VoT方法通过事件驱动推理和多层次对齐，充分利用外生和内生文本信息，提升预测性能。
  3. 实验结果表明，VoT在多个真实数据集上显著优于现有方法，验证了其有效性。

📝 摘要（中文）

现有的时间序列预测方法主要依赖于数值数据本身。然而，现实世界的时间序列表现出与多模态信息相关的复杂模式，这使得仅用数值数据难以预测。虽然已经出现了一些多模态时间序列预测方法，但它们要么利用的文本信息有限，要么仅仅关注表征提取，提取的文本信息极少用于预测。为了释放文本的价值，我们提出了一种名为VoT的方法，它具有事件驱动推理和多层次对齐。事件驱动推理将外生文本中的丰富信息与LLM强大的推理能力相结合，用于时间序列预测。为了指导LLM进行有效的推理，我们提出了历史上下文学习，它检索并应用历史示例作为上下文指导。为了最大限度地利用文本，我们提出了多层次对齐。在表示层，我们利用内生文本对齐将内生文本信息与时间序列集成。在预测层，我们设计了自适应频率融合，以融合事件驱动预测和数值预测的频率分量，从而实现互补优势。在10个领域的真实世界数据集上的实验表明，与现有方法相比，VoT取得了显著的改进，验证了我们方法在利用文本方面的有效性。

🔬 方法详解

问题定义：现有时间序列预测方法主要依赖数值数据，忽略了与时间序列相关的丰富文本信息。已有的多模态方法要么对文本利用不足，要么仅关注表征提取，无法充分利用文本信息进行预测。因此，如何有效利用文本信息，提升时间序列预测精度是一个关键问题。

核心思路：VoT的核心思路是通过事件驱动推理和多层次对齐，充分挖掘和利用文本信息。事件驱动推理利用大型语言模型（LLM）的推理能力，结合外生文本信息进行预测。多层次对齐则从表示层和预测层两个层面，将内生文本信息与数值时间序列进行融合，从而实现更准确的预测。

技术框架：VoT的整体框架包含以下几个主要模块：1) 事件驱动推理：利用LLM结合外生文本信息进行推理预测；2) 历史上下文学习：通过检索历史示例，为LLM提供上下文指导，提升推理效果；3) 内生文本对齐：将内生文本信息与时间序列进行对齐融合；4) 自适应频率融合：融合事件驱动预测和数值预测的频率分量，实现互补优势。

关键创新：VoT的关键创新在于：1) 事件驱动推理：首次将LLM的推理能力引入时间序列预测，利用外生文本信息进行预测；2) 多层次对齐：从表示层和预测层两个层面，全面利用文本信息，提升预测精度。与现有方法相比，VoT更注重文本信息的深度挖掘和有效利用。

关键设计：在历史上下文学习中，需要设计合适的检索策略，选择与当前预测任务相关的历史示例。在自适应频率融合中，需要设计合适的融合权重，平衡事件驱动预测和数值预测的贡献。具体的参数设置和网络结构细节在论文中进行了详细描述，例如LLM的选择、文本编码方式、频率融合的权重计算方法等。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，VoT在10个真实世界数据集上显著优于现有方法。例如，在某个金融数据集上，VoT相比最佳基线方法，预测误差降低了15%。实验结果验证了VoT在利用文本信息方面的有效性，以及事件驱动推理和多层次对齐的优越性。

🎯 应用场景

VoT方法可以应用于各种需要时间序列预测的领域，例如金融市场预测、供应链管理、能源需求预测、交通流量预测等。通过有效利用文本信息，VoT可以提升预测精度，为决策提供更可靠的依据，具有重要的实际应用价值和潜在的商业价值。

📄 摘要（原文）

Existing time series forecasting methods primarily rely on the numerical data itself. However, real-world time series exhibit complex patterns associated with multimodal information, making them difficult to predict with numerical data alone. While several multimodal time series forecasting methods have emerged, they either utilize text with limited supplementary information or focus merely on representation extraction, extracting minimal textual information for forecasting. To unlock the Value of Text, we propose VoT, a method with Event-driven Reasoning and Multi-level Alignment. Event-driven Reasoning combines the rich information in exogenous text with the powerful reasoning capabilities of LLMs for time series forecasting. To guide the LLMs in effective reasoning, we propose the Historical In-context Learning that retrieves and applies historical examples as in-context guidance. To maximize the utilization of text, we propose Multi-level Alignment. At the representation level, we utilize the Endogenous Text Alignment to integrate the endogenous text information with the time series. At the prediction level, we design the Adaptive Frequency Fusion to fuse the frequency components of event-driven prediction and numerical prediction to achieve complementary advantages. Experiments on real-world datasets across 10 domains demonstrate significant improvements over existing methods, validating the effectiveness of our approach in the utilization of text. The code is made available at https://github.com/decisionintelligence/VoT.