时序预测的重要性大家懂的都懂，不过传统模型只擅长处理一维的数字序列，对于交通、气象、金融等领域来说，还是多模态时序预测更受欢迎。

这种热度也体现在最近的顶会上，比如华东师大的首个通用多模态时序预测模型Aurora，在零样本少样本场景下吊打传统模型，性能直接拉满，一经提出就爆火，后续收录于ICLR 2026。

这篇算是当前多模态时序预测最具代表性的前沿工作之一了，属于模型架构与能力增强这个主流创新赛道。对于也想冲顶会的朋友来说，非常值得借鉴。

当然，仅凭这篇是不够当思路参考的，本文整理了18篇多模态时序预测前沿论文，附代码，帮助大家直接站在前沿，快速找到自己的创新点冲击顶会。

全部论文+开源代码需要的同学看文末

【ICLR 2026】Aurora: Towards universal generative multimodal time series forecasting

研究方法：论文提出首个多模态时间序列基础模型 Aurora，在跨域多模态时序语料上预训练，融合时序、文本、图像三种模态信息，通过模态引导多头自注意力注入领域知识，并设计原型引导流匹配实现零样本、生成式概率预测，在单 / 多模态、跨域场景均达到最优效果。

创新点：

• 提出首个多模态时间序列基础模型Aurora，基于跨域多模态时序语料预训练，支持文本、图像、时序三模态输入与零样本推理。

• 设计模态引导多头自注意力模块，将文本与图像中的领域知识显式注入时序特征建模，提升跨域泛化能力。

• 创新原型引导流匹配解码方式，以周期与趋势原型为生成起点，实现稳定高效的生成式概率时序预测。

研究价值：Aurora 作为首个多模态时间序列基础模型，通过融合时序、文本、图像三类模态信息并引入领域知识引导，显著提升了跨域零样本预测性能，为多元场景下通用化、生成式概率时序预测提供了全新技术范式与最优基准。

Multi-Modal View Enhanced Large Vision Models for Long-Term Time Series Forecasting

研究方法：论文提出一种分解式多模态时序预测框架，先把原始时序数据分解为趋势、季节和残差分量，再将时序序列转化为数值与视觉图像两种模态，分别用数值预测模型与大视觉模型建模，最后通过自适应融合机制整合双模态特征，实现更鲁棒、更精准的长时序多变量预测。

创新点：

• 提出分解式多模态时序预测框架，将时序数据拆分为趋势、季节和残差分量，降低预测难度。

• 把时序序列同时转化为数值与图像两种模态，分别利用数值模型和大视觉模型进行互补建模。

• 设计自适应模态融合策略，动态整合双模态信息，提升长时序、多变量场景下预测的精度与稳定性。

研究价值：论文聚焦多模态时序预测，通过时序分解、数值与图像双模态联合建模以及自适应特征融合，显著提升复杂多变量、长时序预测的精度与鲁棒性，为大视觉模型在时序预测领域的深度应用提供了可落地、可推广的技术框架与实践参考。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“222”获取全部方案+开源代码

码字不易，欢迎大家点赞评论收藏