SAGE：面向视觉语言时间序列预测的变量级语义增强

SAGE是一种基于CLIP的端到端框架，用于视觉语言时间序列预测。它通过文本编码器处理频率增强补丁和变量令牌，并通过门控残差路径注入变量描述和统计特征，同时冻结的视觉编码器对齐渲染序列。在八个长期基准和M4上达到最新技术水平，并通过消融实验证实多模态对齐的有效性。

此前时间序列预测模型要么在推理时依赖大语言模型（成本高），要么对整个数据集使用统一文本提示（忽略变量差异）。SAGE通过CLIP实现端到端多模态对齐，避免在预测循环中引入LLM，同时实现变量级精细化语义注入，在多个基准上取得最佳精度。

SAGE利用CLIP的双编码器结构：文本编码器处理频率增强补丁和变量令牌，结合门控残差路径注入变量特定描述和统计描述符；视觉编码器通过仅训练时的对比目标对齐渲染序列与时间表示。这种设计在不增加推理计算负担的情况下，补充语义和视觉监督，提升预测准确性。

SAGE可能降低依赖大语言模型进行时间序列预测的计算成本，提高预测精度，适用于需要细粒度变量语义的场景，如金融分析、能源预测等。产品团队可考虑将SAGE嵌入预测服务，以提升准确性和效率。

• 将SAGE集成到时间序列预测服务平台，提供高精度预测API。
• 针对特定行业（如金融、能源）定制变量语义描述，提升预测效果。
• 开发基于SAGE的可视化工具，帮助用户理解预测依据。
• 将SAGE与现有数据管道结合，实现端到端预测流程。

• SAGE在真实工业场景中的计算资源需求与延迟如何？
• SAGE对不同数据类型（如非数值序列）的适用性如何？
• 与现有LLM-based方法相比，SAGE在多种任务上的鲁棒性如何？
• SAGE的训练数据来源及标注成本是否公开？