텍스트의 가치를 활용하기: 이벤트 기반 추론 및 다층 정렬을 통한 시계열 예측

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

기존의 시계열 예측 방법은 주로 수치 데이터 자체에 의존합니다. 그러나 실제 세계의 시계열 데이터는 복잡한 패턴을 가지며, 이는 다중 모드 정보와 관련되어 있어 수치 데이터만으로는 예측하기 어렵습니다. 일부 다중 모드 시계열 예측 방법이 등장했지만, 이들은 텍스트를 제한적인 보조 정보로 사용하거나, 예측을 위해 텍스트 정보를 최소한으로 추출하는 데 집중합니다. 본 논문에서는 텍스트의 가치를 극대화하기 위해 이벤트 기반 추론 및 다층 정렬을 결합한 VoT라는 방법을 제안합니다. VoT는 시계열 예측을 위해 외생 텍스트에 담긴 풍부한 정보와 LLM의 강력한 추론 능력을 결합합니다. LLM이 효과적인 추론을 수행하도록 돕기 위해, 과거의 예시를 검색하여 맥락적 지침으로 활용하는 'Historical In-context Learning'을 제안합니다. 텍스트의 활용도를 극대화하기 위해 다층 정렬을 제안합니다. 표현 수준에서는, 시계열 데이터와 내생 텍스트 정보를 통합하기 위해 'Endogenous Text Alignment'을 사용합니다. 예측 수준에서는, 이벤트 기반 예측과 수치 예측의 주파수 성분을 융합하여 상호 보완적인 이점을 얻기 위해 'Adaptive Frequency Fusion'을 설계했습니다. 10개 도메인의 실제 데이터셋에 대한 실험 결과, 제안하는 방법이 기존 방법보다 상당한 성능 향상을 보여주었으며, 이는 텍스트 활용에 있어서의 접근 방식의 효과를 검증합니다. 코드 및 관련 자료는 https://github.com/decisionintelligence/VoT 에서 확인할 수 있습니다.

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.