論文の概要: Unlocking the Value of Text: Event-Driven Reasoning and Multi-Level Alignment for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2603.15452v1
• Date: Mon, 16 Mar 2026 15:51:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.554775
• Title: Unlocking the Value of Text: Event-Driven Reasoning and Multi-Level Alignment for Time Series Forecasting
• Title（参考訳）: テキストの価値をアンロックする: 時系列予測のためのイベント駆動推論とマルチレベルアライメント
• Authors: Siyuan Wang, Peng Chen, Yihang Wang, Wanghui Qiu, Chenjuan Guo, Bin Yang, Yang Shu,
• Abstract要約: 実世界の時系列は、マルチモーダル情報に関連する複雑なパターンを示しており、数値データだけでは予測が困難である。 本稿では,イベント駆動推論と多レベルアライメントを用いたVoTを提案する。 10のドメインにわたる実世界のデータセットの実験は、既存のメソッドよりも大幅に改善されている。
• 参考スコア（独自算出の注目度）: 28.619448334715603
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing time series forecasting methods primarily rely on the numerical data itself. However, real-world time series exhibit complex patterns associated with multimodal information, making them difficult to predict with numerical data alone. While several multimodal time series forecasting methods have emerged, they either utilize text with limited supplementary information or focus merely on representation extraction, extracting minimal textual information for forecasting. To unlock the Value of Text, we propose VoT, a method with Event-driven Reasoning and Multi-level Alignment. Event-driven Reasoning combines the rich information in exogenous text with the powerful reasoning capabilities of LLMs for time series forecasting. To guide the LLMs in effective reasoning, we propose the Historical In-context Learning that retrieves and applies historical examples as in-context guidance. To maximize the utilization of text, we propose Multi-level Alignment. At the representation level, we utilize the Endogenous Text Alignment to integrate the endogenous text information with the time series. At the prediction level, we design the Adaptive Frequency Fusion to fuse the frequency components of event-driven prediction and numerical prediction to achieve complementary advantages. Experiments on real-world datasets across 10 domains demonstrate significant improvements over existing methods, validating the effectiveness of our approach in the utilization of text. The code is made available at https://github.com/decisionintelligence/VoT.
• Abstract（参考訳）: 既存の時系列予測手法は主に数値データに依存している。 しかし、実世界の時系列は多モーダル情報に関連する複雑なパターンを示しており、数値データだけでは予測が困難である。 いくつかのマルチモーダル時系列予測手法が登場したが、限られた補足情報を持つテキストを利用するか、単に表現抽出だけに焦点を当て、予測のための最小限のテキスト情報を抽出する。 テキストの価値を解放するために,イベント駆動推論と多レベルアライメントを用いたVoTを提案する。 イベント駆動推論は、時系列予測のためのLLMの強力な推論能力と外因性テキストの豊富な情報を組み合わせる。 本研究は,LLMを効果的な推論で導くために,歴史的事例をテキスト内ガイダンスとして検索し,適用する履歴インコンテクスト学習を提案する。 テキストの利用を最大化するために,マルチレベルアライメントを提案する。 表現レベルでは、内在的テキストアライメントを用いて、内在的テキスト情報と時系列を統合する。 予測レベルでは、イベント駆動予測と数値予測の周波数成分を融合させて相補的な優位性を実現するために、適応周波数融合を設計する。 10領域にわたる実世界のデータセットの実験は、既存の手法よりも大幅に改善され、テキスト利用における我々のアプローチの有効性が検証された。 コードはhttps://github.com/decisionintelligence/VoT.comで公開されている。

関連論文リスト

• Spectral Text Fusion: A Frequency-Aware Approach to Multimodal Time-Series Forecasting [7.885089945243776]
  SpecTFは、周波数領域における時系列に対するテキストデータの影響を統合するフレームワークである。 様々なマルチモーダル時系列データセットにおいて,SpecTFが最先端モデルを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-02T03:28:21Z)
• Adaptive Information Routing for Multimodal Time Series Forecasting [11.180175447040694]
  時系列予測は多くの現実世界の応用で人工知能にとって重要な課題である。 伝統的なアプローチは、主に将来の価値を予測するために歴史的時系列データに依存している。 本稿では,マルチモーダル時系列予測の新しい手法であるAdaptive Information Routingフレームワークを紹介する。
  論文  参考訳（メタデータ） (2025-12-11T02:25:27Z)
• TimeCAP: Learning to Contextualize, Augment, and Predict Time Series Events with Large Language Model Agents [52.13094810313054]
  TimeCAPは、時系列データのコンテキスト化ツールとしてLarge Language Models(LLM)を創造的に利用する時系列処理フレームワークである。 TimeCAPには2つの独立したLCMエージェントが組み込まれており、1つは時系列のコンテキストをキャプチャするテキスト要約を生成し、もう1つはより情報のある予測を行うためにこのリッチな要約を使用する。 実世界のデータセットによる実験結果から,TimeCAPは時系列イベント予測の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-17T04:17:27Z)
• Language in the Flow of Time: Time-Series-Paired Texts Weaved into a Unified Temporal Narrative [65.84249211767921]
  テキスト・アズ・タイム・シリーズ(TaTS)は、既存の数値のみの時系列モデルにプラグインできる。 TaTSはモデルアーキテクチャを変更することなく予測性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-02-13T03:43:27Z)
• Text2Freq: Learning Series Patterns from Text via Frequency Domain [8.922661807801227]
  Text2Freqは、周波数領域を介してテキストと時系列データを統合したモダリティモデルである。 実物価格と合成テキストのペアデータセットによる実験により,Text2Freqが最先端のパフォーマンスを実現することを示す。
  論文  参考訳（メタデータ） (2024-11-01T16:11:02Z)
• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。