TimeSAF：面向时间序列预测的 LLM 引导语义异步融合

尽管 大语言模型 (LLM) 最近在时间序列预测方面取得了成功，但大多数现有方法仍然采用深度同步融合策略，其中在网络的每一层强制执行文本和时间特征之间的密集交互。这种设计忽视了模态之间固有的粒度不匹配，导致了我们所说的语义感知失调：LLM 提供的高级抽象语义与时间序列的底层细粒度数值动态不恰当地纠缠在一起，使得语义先验难以有效指导预测。为了解决这个问题，我们提出了TimeSAF，一种基于分层异步融合的新框架。与同步方法不同，TimeSAF 明确地将单模态特征学习与跨模态交互解耦。它引入了一个独立的跨模态语义融合主干，它使用可学习的查询以自下而上的方式聚合来自时间和提示主干的全局语义，以及一个分阶段语义细化解码器，该解码器将这些高级信号异步注入回时间主干。该机制提供稳定高效的语义指导，同时避免对底层时间动态的干扰。对标准长期预测基准的大量实验表明，TimeSAF 显着优于最先进的基线，并进一步在少样本和零样本传输设置中表现出强大的泛化能力。