论文
重新思考多模式时间序列预测的 后训练 方法
Rethinking Post-Training Recipes for Multimodal Time-Series Forecasting
摘要
时间序列基础模型 (TSFM) 擅长使用数值数据进行零样本单峰预测，但与 LLM 不同，它们无法使用通常塑造现实世界轨迹的多峰、非数值上下文。在这项工作中，我们弥补了这一差距，并提出了一种多模态时间序列预测方法，该方法可以对 LLM 进行后训练，以充当强数值 TSFM 先验的上下文引导修正器。我们介绍了 PostTime，一种 后训练 配方，结合了监督式 微调 (SFT) 和具有可验证奖励的强化学习 (RLVR)，以及一种为预测修订生成自动推理跟踪的方法。 PostTime 教 LLM 生成上下文条件预测干预措施 - 根据多模态上下文决定修改、保留或忽略 TSFM 先验。我们使用 Gemma-3-4B LLM 和 TimesFM-2.5 TSFM 在 TimesX 多模态预测基准上评估了这种方法，并表明它显着优于独立 TSFM、仅 LLM 基线和现有的多模态预测方法。