LLaTiSA: Verso un Ragionamento Stratificato per Difficoltà sulle Serie Temporali dalla Percezione Visiva alla Semantica
LLaTiSA: Towards Difficulty-Stratified Time Series Reasoning from Visual Perception to Semantics
April 19, 2026
Autori: Yueyang Ding, HaoPeng Zhang, Rui Dai, Yi Wang, Tianyu Zong, Kaikui Liu, Xiangxiang Chu
cs.AI
Abstract
Una comprensione completa delle serie temporali rimane una sfida significativa per i Large Language Model (LLM). La ricerca attuale è ostacolata da definizioni di task e benchmark frammentati, con ambiguità intrinseche, che impediscono una valutazione rigorosa e lo sviluppo di modelli unificati di ragionamento su serie temporali (TSRM, Time Series Reasoning Models). Per colmare questa lacuna, formalizziamo il Ragionamento su Serie Temporali (TSR) attraverso una tassonomia a quattro livelli di crescente complessità cognitiva. Introduciamo HiTSR, un dataset gerarchico di ragionamento su serie temporali che comprende 83k campioni con diverse combinazioni di task e traiettorie verificate di ragionamento a catena (CoT, Chain-of-Thought). Sfruttando HiTSR, proponiamo LLaTiSA, un potente TSRM che integra pattern visualizzati con tabelle numeriche a calibrazione di precisione per potenziare la percezione temporale dei Vision-Language Model (VLM). Attraverso una strategia di fine-tuning curriculare multi-stadio, LLaTiSA raggiunge prestazioni superiori ed esibisce una robusta generalizzazione fuori distribuzione attraverso vari task TSR e scenari reali. Il nostro codice è disponibile all'indirizzo https://github.com/RainingNovember/LLaTiSA.
English
Comprehensive understanding of time series remains a significant challenge for Large Language Models (LLMs). Current research is hindered by fragmented task definitions and benchmarks with inherent ambiguities, precluding rigorous evaluation and the development of unified Time Series Reasoning Models(TSRMs). To bridge this gap, we formalize Time Series Reasoning (TSR) via a four-level taxonomy of increasing cognitive complexity. We introduce HiTSR, a hierarchical time series reasoning dataset comprising 83k samples with diverse task combinations and verified Chain-of-Thought (CoT) trajectories. Leveraging HiTSR, we propose LLaTiSA, a strong TSRM that integrates visualized patterns with precision-calibrated numerical tables to enhance the temporal perception of Vision-Language Models (VLMs). Through a multi-stage curriculum fine-tuning strategy, LLaTiSA achieves superior performance and exhibits robust out-of-distribution generalization across diverse TSR tasks and real-world scenarios. Our code is available at https://github.com/RainingNovember/LLaTiSA.