2025_NIPS_TimeXL: Explainable Multi-modal Time Series Prediction with LLM-in-the-Loop

文章核心总结与创新点

主要内容

TimeXL 是一款可解释的多模态时间序列预测框架，通过融合基于原型的时间序列编码器与三个协作的大语言模型（LLM），构建“预测-反思-优化”的闭环工作流。框架先利用多模态原型编码器处理时间序列和文本输入，生成初步预测及案例式解释；再通过预测LLM优化预测结果，反射LLM对比预测值与真实值以识别文本噪声，优化LLM迭代提升文本质量并触发编码器重训练。该框架在天气、金融、医疗三大领域的四个真实数据集上验证，AUC值最高提升8.9%，同时提供符合人类认知的多模态解释。

创新点

1. 提出多模态原型编码器，联合时间序列与文本数据，生成透明的案例式推理依据，兼顾预测准确性与可解释性。
2. 构建三LLM协作闭环，利用LLM的推理能力迭代优化预测结果与文本质量，有效缓解文本噪声问题。
3. 实现预测与解释的协同增强，通过多模态原型与LLM推理的深度融合，既提升预测精度，又提供可追溯、易理解的解释逻辑。

---

翻译部分（Markdown格式）

Abstract

时间序列分析为现实世界的系统动态提供关键洞察，并为下游决策提供支持，但大多数现有方法往往忽视了辅助模态中蕴含的丰富上下文信号。为填补这一空白，我们提出TimeXL，这是一种多模态预测框架，它将基于原型的时间序列编码器与三个协作的大型语言模型（LLM）相结合，以提供更准确的预测和可解释的解释。首先，基于多模态原型的编码器处理时