
-
生物通官微
陪你抓住生命科技
跳动的脉搏
GLoR-Forecast:用于多模态时间序列预测的状态依赖全局-局部文本路由框架
《Scientific Reports》:GLoR-forecast: state-contingent global-local text routing for financial and socio-economic time-series forecasting
【字体: 大 中 小 】 时间:2026年09月23日 来源:Scientific Reports 4.9
编辑推荐:
摘要金融和社会经济预测通常需要超越数值历史数据的信息,因为政策声明、新闻报道、机构发布和事件描述可能预示结构性状态或短期冲击。近期的多模态时间序列方法将时间戳对齐的文本作为辅助变量纳入数值预测骨干网络中,但通常将所有文本信号视为同质的局部协变量。这忽视了一个重要区别,即局部事
金融和社会经济预测通常需要超越数值历史数据的信息,因为政策声明、新闻报道、机构发布和事件描述可能预示结构性状态或短期冲击。近期的多模态时间序列方法将时间戳对齐的文本作为辅助变量纳入数值预测骨干网络中,但通常将所有文本信号视为同质的局部协变量。这忽视了一个重要区别,即局部事件级文本与更宏观的背景叙述之间的差异。本文提出了 GLoR-Forecast(用于预测的全局 - 局部文本路由),一种用于多模态时间序列预测的状态依赖文本融合框架。该模型利用冻结的语言模型编码时间戳对齐的文本,将其投影为紧凑的局部文本变量,并通过注意力机制聚合为全局上下文表示。随后,文本路由器以当前的数值时间序列状态为查询,动态对局部和全局文本特征进行加权。融合后的表示增强了数值序列,可与标准预测骨干网络配合使用;我们将其实例化为 iTransformer。在九个 Time-MMD 领域的实验中显示,相较于 TaTS 有一致的性能提升,平均 MSE 降低了 5.8%,MAE 降低了 4.7%。最显著的改善出现在经济、社会公益、交通和农业领域,这表明状态依赖的文本路由有助于利用缓慢变化的结构性背景以及短期事件冲击。