释放文本的价值：面向时间序列预测的事件驱动推理与多层次对齐

现有时间序列预测方法主要依赖数值数据本身。然而，现实世界的时间序列呈现出与多模态信息相关联的复杂模式，仅凭数值数据难以预测。虽然已出现若干多模态时间序列预测方法，但它们要么利用的文本补充信息有限，要么仅关注表示提取，为预测提取的文本信息极为有限。为释放文本的价值（Value of Text），我们提出VoT，一种具备事件驱动推理与多层次对齐的方法。事件驱动推理将外生文本中的丰富信息与大语言模型（LLM）的强大推理能力相结合，用于时间序列预测。为引导LLM有效推理，我们提出历史上下文学习（Historical In-context Learning），检索历史样例并将其作为上下文内指导加以应用。为最大化文本利用，我们提出多层次对齐（Multi-level Alignment）。在表示层，我们利用内生文本对齐（Endogenous Text Alignment）将内生文本信息与时间序列相融合。在预测层，我们设计自适应频率融合（Adaptive Frequency Fusion），融合事件驱动预测与数值预测的频率分量，实现优势互补。在跨10个领域的真实数据集上的实验表明，该方法相较现有方法取得显著提升，验证了其在文本利用方面的有效性。代码已发布于 https://github.com/decisionintelligence/VoT。