将迷迭香树脂油掺入壳聚糖薄膜中：开发天然抗菌生物活性敷料

《Natural Product Research》：Rosemary resin-oil incorporation into chitosan films: development of natural antimicrobial bioactive dressings

多变量时间序列预测面临模态差异和变量间依赖建模难题，本文提出Granger-TSllm框架：首先通过残差量化时间序列分词器将连续时序转换为紧凑离散表征，接着选择性微调LLM增强时空建模能力，并引入基于卷积的Granger因果性修改模块处理变量间非线性依赖。实验表明其在7个真实数据集上超越现有基线，尤其在少样本和零样本场景展现强泛化性。

　　
多变量时间序列预测领域近年来取得了显著进展，但现有模型普遍存在两大核心问题：其一，时间序列与语言模型间的模态鸿沟难以跨越；其二，变量间非线性耦合关系建模能力不足。针对这两个瓶颈，研究者提出基于大型语言模型（LLMs）的预测框架，但直接应用LLMs处理时间序列数据存在明显缺陷。中国科学院自动化研究所李承保团队在《Granger-TSllm: 融合因果推理的多阶段LLM时间序列预测框架》中，创新性地构建了"编码-微调-修正"三位一体的解决方案，为解决复杂多变量时间序列预测难题提供了新范式。

在应用场景方面，多变量时间序列预测在工业过程监控、能源需求预测、灾害预警等领域具有重要价值。以冶金行业为例，高炉运行参数的多变量时间序列预测可提前数小时预警异常工况，使维护成本降低40%以上（Zhang et al., 2023）。电力系统负荷预测中，多变量协同建模能有效提升新能源消纳能力（Wang et al., 2025）。然而传统深度学习模型如GNNs和Transformers存在明显局限：GNNs擅长捕捉变量间静态关系，但难以建模时变耦合；基于Transformer的模型虽能处理长时依赖，但缺乏对变量间因果关系的显式建模。

当前LLMs在跨模态任务中的成功应用，为解决上述问题提供了新思路。但直接输入原始连续时间序列存在三个根本性障碍：1）连续时序与离散语言符号的模态不匹配；2）LLMs缺乏显式的时间结构建模能力；3）变量间复杂非线性关系的挖掘不足。现有研究多采用片段化处理（Jin et al., 2024）或通道分离策略（Sun et al., 2023），但这种方法导致信息丢失，且无法有效利用变量间的动态关联。

Granger-TSllm框架的突破性创新体现在三个技术维度：首先，设计残差量化时间序列分词器，通过分层压缩和量化策略将连续时序转化为语义化的离散代码表示。该模块在保留时序特征的前提下，将数据维度压缩至原始的15%-20%，显著提升LLMs的推理效率。其次，开发选择性微调机制，针对不同预测任务动态调整LLMs的参数空间。实验表明，这种渐进式微调策略可使模型在少量标注数据下仍保持90%以上的性能衰减率。最后，引入可解释的因果修正模块，通过计算变量间的Granger因果性权重，动态调整LLMs的注意力分配机制，有效解决变量间耦合关系建模的难题。

分词器的设计体现了对时序特征的深度理解。该模块采用残差结构实现特征级联，通过残差连接保持梯度流动，同时引入量化压缩层降低计算复杂度。在量化过程中，创新性地采用迭代残差量化算法，将连续数值映射到离散符号时，保留90%以上的原始信息熵。这种设计使得LLMs能够以类似理解自然语言的方式处理时间序列数据，显著提升特征表征的紧凑性和语义可解释性。

因果修正模块的构建突破了传统LLMs的建模边界。该模块通过双通道卷积网络并行计算每个变量与其他变量的Granger因果强度，建立动态权重矩阵。实验表明，在电力负荷预测中，该模块使变量间关联建模的准确率提升27.6%，在化工过程监控场景下，关键变量间的因果推理使异常检测提前量延长至3.2小时。这种基于因果关系的动态调整机制，使得模型能够自适应不同应用场景的变量耦合特性。

在工程实现层面，该框架设计了高效的推理优化策略。通过预训练阶段对时序特征进行离散编码，微调阶段仅更新LLMs的注意力机制和因果修正层，使模型参数量控制在800M以内，推理速度比传统LLMs快3.8倍。这种架构设计在保证模型性能的同时，显著降低了硬件资源需求，特别适用于边缘计算设备部署。

实验验证部分展现了该框架的全面优势。在包含7个工业场景的基准测试中，Granger-TSllm在传统模型普遍失效的少样本（<10个时间序列）和零样本（无标注数据）场景下表现尤为突出。以化工过程参数预测为例，当仅有5个历史批次数据时，该模型仍能保持92.3%的测试准确率，较最优传统模型提升41.7%。在动态变化场景测试中，模型在时序分布偏移30%的情况下，预测误差仅增加2.1%，显示出卓越的领域适应能力。

模型分析揭示了其内在优势。可视化注意力分布发现，修正模块能有效增强因果相关变量的注意力权重，在电力系统预测中，充电量与电网负荷的因果路径被显著强化。消融实验证实，三个核心组件贡献度分别为：分词器（58%）、微调策略（32%）、因果修正（10%）。这种结构使模型在保持低计算成本的同时，具备处理百万级参数规模的能力。

实际应用案例验证了其工业价值。在某钢铁集团的应用中，通过实时监控16类生产参数的动态关联，成功将设备故障预警时间从平均4.7小时提前至8.2小时，每年减少非计划停机损失超2000万元。在智慧城市交通预测中，整合12个交通环路的时空关联信息，使高峰时段预测误差降低至4.3%，优于传统模型15个百分点。

当前研究仍面临三方面挑战：1）如何平衡离散编码的信息损失与计算效率；2）因果推理模块的可解释性与实时性之间的矛盾；3）跨领域迁移时变量间关联模式的动态适应问题。未来研究将重点突破动态因果图谱构建技术，通过在线学习机制实时更新变量间的关联权重，并探索联邦学习框架下的分布式训练方案。

该框架的提出标志着多变量时间序列预测进入认知智能新阶段。通过将LLMs的语义理解能力与因果推理的确定性优势相结合，不仅解决了传统模型难以处理的复杂变量依赖问题，更在少样本和跨领域场景中展现出超越现有技术的性能边界。这种技术路径为工业互联网、智慧能源等领域的实时预测系统提供了可落地的创新方案，具有广阔的产业化前景。