论文
FreSia：多变量时间序列分析的频率语义实例化与对齐
FreSia: Frequency-Semantic Instantiation and Alignment for Multivariate Time Series Analysis
摘要
大语言模型（LLM）在多元时间序列预测和异常检测方面显示出强大的潜力。现有研究主要通过直接数字标记化或启发式文本描述将时间信息注入 LLM 中。然而，LLM 在感知数值时间序列的潜在结构模式方面仍然面临困难，特别是被离散数值 token 掩盖的季节和趋势成分。为了弥补这一差距，我们提出了 FreSia，一个频率感知框架，它在 LLM 的语义空间和时间序列的频率空间之间建立了有效的对齐。具体来说，FGPrompt 是 FreSia 中的一种频率引导提示机制，它提取时间序列的频域结构，并将其投影到适合 LLM 语义空间的提示中。此外，我们引入了全局驱动的上下文学习（GCL）组件，它使用全局 CLS 驱动的 探针 来生成全局上下文，以弥合时频域差距并融合多模态信息。在八个预测基准上的实验表明，FreSia 在 MSE 和 MAE 方面分别实现了 13.48% 和 8.06% 的平均改进。
