본 논문은 다변량 시계열 예측(MTSF)을 위한 새로운 프레임워크인 TimeCMA를 제안합니다. 기존의 통계적 및 심층 학습 기반 방법들은 학습 가능한 매개변수가 제한적이고 소규모 학습 데이터에 의존하는 한계가 있습니다. 최근, 시계열 데이터와 텍스트 프롬프트를 결합한 대규모 언어 모델(LLM) 기반 방법들이 MTSF에서 좋은 성능을 보였지만, 분리된 임베딩 학습에 어려움을 겪는다는 것을 발견했습니다. TimeCMA는 교차 모달리티 정렬을 통해 이 문제를 해결합니다. 시계열 인코딩 브랜치와 LLM 기반 인코딩 브랜치의 이중 모달리티 인코딩을 사용하여, 분리된 약한 시계열 임베딩과 얽힌 강건한 프롬프트 임베딩을 얻습니다. 교차 모달리티 정렬을 통해 두 가지 임베딩의 장점을 결합합니다. 또한, 계산 비용을 줄이기 위해, 가장 중요한 시간 정보를 마지막 토큰에 담도록 설계된 효과적인 프롬프트를 사용하고, 마지막 토큰 임베딩만을 사용하여 예측하고 추론 속도를 높입니다. 여덟 개의 실제 데이터셋에 대한 실험 결과, TimeCMA가 최첨단 기법들을 능가함을 보여줍니다.
