论文
SCENARIODIFF：多模态时间序列预测的情景级指导框架 - 扩展版本
SCENARIODIFF: A Scenario-level Guidance Framework for Multimodal Time Series Forecasting--Extended Version
摘要
新闻、报告和日志等文本上下文可以为时间序列预测提供有价值的信号，特别是当未来动态由历史值中尚不可见的外部事件驱动时。现有的多模态预测方法通常要么要求 大语言模型 (LLM) 直接预测数值，要么隐式融合文本和时间序列，使得上下文影响难以解释和控制。我们提出了 SCENARIODIFF，这是一种分层上下文推理框架，用于在噪声和弱对齐文档下进行多模式时间序列预测。 SCENARIODIFF 将上下文信息组织为三个级别：历史上下文代理从原始文档中提取逐步证据，场景代理为预测范围生成定性场景描述，锚定指导代理为事件相关的未来区域生成稀疏锚点。这些结构化信号调节多模态扩散 Transformer，而锚定混合采样则在本地细化生成的轨迹，而无需重新训练。 Time-MMD 基准上的实验表明，SCENARIODIFF 在事件驱动领域特别有效，证明了明确的分层场景指导对于多模态时间序列预测的价值。我们的完整实现可在 https://anonymous.4open.science/r/ScenarioDiff_ICDM-2C4C 上找到