基于跨视图校正的时序预测：大语言模型多模态对齐新范式

为解决大语言模型(LLMs)在时序预测中存在的模态鸿沟问题，研究人员提出跨视图校正(CVC)框架，通过双分支架构整合图网络提示学习与加权注意力机制，结合对比校正机制实现时序-文本特征对齐。实验表明该方法在长/短期预测任务中均超越SOTA，代码已开源。该研究为LLMs跨模态应用提供了新思路。

　　

时序预测是交通、气候、能源等领域的核心需求，但传统深度学习方法依赖领域知识且泛化性有限。大语言模型(LLMs)虽具强大推理能力，却面临时序数据连续信号与文本离散符号间的模态鸿沟——包括特征分布差异、语义抽象层级错位等。现有方法如S²IP-LLM和Time-LLM尝试通过提示学习或表征重编程对齐模态，但统计先验导致的特征冗余仍导致预测性能下降。

厦门大学团队在《Knowledge-Based Systems》发表的研究提出跨视图校正(CVC)框架，创新性地采用双分支LLM架构：一方面通过图网络构建语义节点作为动态提示，另一方面设计加权注意力机制融合时频特征。核心创新在于引入对比校正机制，通过比较双分支的中间表征与输出结果，在共享表征空间中消除冗余干扰。实验证明CVC在长/短周期预测任务中MSE平均降低12.7%，零样本场景下仍保持优越性能。

关键技术包括：1) 小波分解处理多尺度信号冲突；2) 图网络动态选择语义提示；3) 注意力权重自适应生成；4) 双分支对比校正机制。使用GPT-2前六层作为基础架构，在ETT、Weather等基准数据集验证。

【时间序列预测】
突破传统统计方法与单模态深度学习局限，首次实现LLMs对复杂时序模式的可解释建模。

【模态对齐策略】
图提示分支捕获拓扑关系，注意力分支聚焦局部特征，二者互补形成完整语义映射。消融实验显示双策略协同使预测误差降低23.4%。

【对比校正机制】
通过最大化分支间互信息，冗余特征减少41%，关键特征权重提升至0.82±0.03。可视化显示校正后时序-文本特征余弦相似度达0.91。

该研究开创性地将计算机视觉中的对比学习思想引入时序预测，为解决LLMs跨模态应用的共性问题提供普适框架。基金信息显示研究受国家自然科学基金支持，方法论可扩展至医疗信号分析等领域。未来工作将探索多模态联合预训练路径，进一步突破模态壁垒。