STELLA 论文核心总结与关键部分翻译一、主要内容总结STELLA 是一款面向时间序列预测的新型框架，核心目标是解决现有大语言模型（LLMs）在该任务中信息增强不足的问题。其核心逻辑是通过动态语义抽象机制，将时间序列分解为趋势、季节性和残差三个基础组件，再生成层级语义锚点（全局语料级语义先验 CSP 和实例级细粒度行为提示 FBP），以前缀提示形式注入 LLM，引导模型精准捕捉时间序列内在动态。框架主要包含三个阶段：首先通过 Neural STL 模块分解输入序列；接着采用双路径架构，TC-Patch 编码器生成数值嵌入，语义锚点模块（SAM）生成层级语义提示；最后经 LLM 骨干网络处理后，通过门控融合机制重组组件预测结果，输出最终预测值。实验验证方面，在 8 个基准数据集上，STELLA 在长短期预测、少样本和零样本场景中均超越现有最优方法，展现出优异的泛化能力和跨域迁移潜力。二、创新点提出语义引导学习范式，首次系统论证补充信息（全局上下文）和互补信息（实例特定模式）是突破 LLM 时间序列预测瓶颈的关键。设计动态语义抽象机制，将时间序列组件的行为特征（如周期性、斜率）生成层级语义锚点，实现对 LLM 的精准引导，而非依赖静态语义池的检索式提示。构建“先独立后融合”的通道处理策略与模块化架构（Neural STL 分解、TC-Patch 编码、门控融合等），平衡跨变量依赖建模与域迁移鲁棒性。采用参数高效微调方案（LoRA），在冻结 LLM 核心参数的同时保证模型适