上下文是关键：使用重要文本信息进行预测的基准
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了预测模型在整合文本信息方面的不足，通过引入“上下文是关键”（CiK）基准，将数值数据与多种文本上下文结合。我们的实验表明，采用简单有效的LLM提示方法显著提升了预测性能，强调了上下文信息的重要性，并推动了多模态预测的发展。
本研究提出了一种新颖的文本引导时间序列预测任务（TGTSF）及基准模型TGForecaster，通过交叉注意机制融合文本与时间序列数据。评估结果表明，TGForecaster在多个数据集上表现优异，展示了文本信息在时间序列预测中的潜力，为未来研究奠定基础。
