【报告内容】

汇报人： 梁帅鹏

汇报单位：河海大学

TimeXL: Explainable Multi-modal Time Series Prediction with LLM-in-the-Loop

1、Introduction

2、Method

3、Experiments

4、Conclusion

【报告总结】

1.待解决的问题描述

1）多模态噪声干扰：现有的时间序列预测模型在融合文本和数值数据时，往往无法识别并过滤掉误导性的文本噪声。

2）黑盒预测缺乏解释性：传统深度学习模型只能输出预测数值，无法像人类专家一样给出预测背后的逻辑支撑。

3）跨模态语义鸿沟：数值信号的波动与自然语言的描述之间缺乏深度且直观的对齐机制，导致模型在处理复杂场景（如金融波动、气象剧变）时鲁棒性不足。

2.相关创新方案

1）“预测-反思-精炼”闭环协议（Predict-Reflect-Refine）：提出了首个具备自我纠错能力的框架。当预测不确定时，驱动 LLM 对原始文本进行反思，剔除噪声并提炼出与数值趋势一致的关键特征。

2）多模态原型编码器

同时处理时间序列与文本数据，生成可解释的、基于案例的推理（case-based reasoning）。每个原型对应一个典型的时间段或文本片段，具备明确的物理或语义含义。它利用来自时间和文本模态的“案例推理”思想。这意味着模型不是简单地学习模式，而是通过查找与当前输入相似的“原型”或“案例”来生成初步预测和解释。

3）三LLM协作闭环架构

预测LLM：基于文本和原型解释进行预测。

反思LLM：对比预测与真实标签，生成反馈。

细化LLM：根据反馈优化文本输入，提升数据质量。

4）闭环迭代优化机制

预测 → 反思 → 细化 → 重训练 → 再预测，形成一个持续优化的工作流。每次迭代都能提升模型的预测能力和解释质量。

5）跨模态解释生成

同时提供时间序列匹配段和文本匹配片段作为解释，具备高可读性。

3.实验总结

1）性能领先：在Weather、Finance、Healthcare 等四个领域的数据集上进行了广泛测试，在 8 项关键指标中取得了 7 项 SOTA（最优表现）。

2）显著增益：特别是在气象预测中，AUC 指标从 0.742 大幅提升至 0.808；在医疗领域达到了近乎完美的 0.997 AUC。

3）可解释性验证：通过原型可视化和案例研究，证明了模型能够精准捕捉数值跳变背后的语义逻辑，且具备修正错误预测的“纠错能力”。

4.未来工作

1）推理效率优化：针对 LLM 推理开销问题，未来计划探索模型蒸馏或轻量化部署方案，以满足极高频率（毫秒级）的实时预测需求。

2）跨领域泛化：将 TimeXL 扩展到更多具有复杂辅助信息的领域，如工业设备故障预警（传感器+维修日志）、电力调度（用电曲线+政策文案）等。

3）长程依赖强化：进一步优化模型对长周期时间序列中微小、缓慢语义变化的捕捉能力。

报告时间：2026年04月24日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)