텍스트에서 예측으로: 시간적 진화 의미 공간을 활용한 모달리티 간 격차 해소

From Text to Forecasts: Bridging Modality Gap with Temporal Evolution Semantic Space

텍스트 정보를 시계열 예측에 통합하는 것은 이벤트 기반의 비정상성을 해결하는 데 유망하지만, 근본적인 모달리티 간 격차가 효과적인 융합을 방해합니다. 텍스트 설명은 시간적 영향을 암묵적이고 질적으로 표현하는 반면, 예측 모델은 명시적이고 정량적인 신호에 의존합니다. 통제된 준-합성 실험을 통해 기존 방법이 불필요한 토큰에 과도하게 집중하고 텍스트 의미를 신뢰성 있게 활용 가능한 숫자 신호로 변환하는 데 어려움을 겪는다는 것을 보여줍니다. 이러한 격차를 해소하기 위해, 우리는 중간 병목 지점 역할을 하는 시간적 진화 의미 공간(TESS)을 제안합니다. 이 공간은 LLM을 사용하여 구조화된 프롬프팅을 통해 텍스트에서 추출된 해석 가능하고 수치적으로 기반을 둔 시간적 기본 요소(평균 변화, 변동성, 모양 및 지연)로 구성되며, 신뢰도 기반 게이팅을 통해 필터링됩니다. 네 개의 실제 데이터 세트에 대한 실험 결과, 제안하는 방법은 최첨단 단일 모달 및 다중 모달 기준 모델에 비해 예측 오류를 최대 29%까지 줄이는 것을 보여줍니다. 코드는 게재 후 공개될 예정입니다.

Incorporating textual information into time-series forecasting holds promise for addressing event-driven non-stationarity; however, a fundamental modality gap hinders effective fusion: textual descriptions express temporal impacts implicitly and qualitatively, whereas forecasting models rely on explicit and quantitative signals. Through controlled semi-synthetic experiments, we show that existing methods over-attend to redundant tokens and struggle to reliably translate textual semantics into usable numerical cues. To bridge this gap, we propose TESS, which introduces a Temporal Evolution Semantic Space as an intermediate bottleneck between modalities. This space consists of interpretable, numerically grounded temporal primitives (mean shift, volatility, shape, and lag) extracted from text by an LLM via structured prompting and filtered through confidence-aware gating. Experiments on four real-world datasets demonstrate up to a 29 percent reduction in forecasting error compared to state-of-the-art unimodal and multimodal baselines. The code will be released after acceptance.