FreSia：面向多变量时间序列分析的频率-语义实例化与对齐

大型语言模型（LLMs）在多变量时间序列预测和异常检测方面展现出巨大潜力。现有研究主要通过直接数值标记化或启发式文本描述，将时间信息注入LLMs。然而，LLMs仍难以感知数值时间序列背后的结构模式，尤其是被离散数值标记所掩盖的季节性和趋势成分。为弥合这一差距，我们提出了FreSia，这是一种具备频率感知能力的框架，旨在建立LLMs语义空间与时间序列频率空间之间的有效对齐。具体而言，FreSia中的频率引导提示机制FGPrompt提取时间序列在频域中的结构，并将其投影到针对LLMs语义空间设计的提示中。此外，我们引入了全局驱动的上下文学习（Global-driven Context Learning，GCL）组件，利用全局CLS驱动的探针生成全局上下文，以弥合时域与频域之间的差距，并融合多模态信息。在八个预测基准上的实验表明，FreSia在MSE和MAE方面分别取得了13.48%和8.06%的平均提升。