최근 시계열 예측 (Time Series Forecasting) 연구에서는 비정상 (Non-stationary) 환경을 더 잘 탐색하기 위해 텍스트 및 시각적 모달리티 (Modalities)를 수치 모델과 통합하는 방법을 빈번하게 조사하고 있습니다. 기존의 멀티모달 (Multi-modal) 접근 방식은 견고한 수치적 결과를 제공함에도 불구하고, 대개 딜레마에 직면합니다. 즉, 평균 오차의 최소화를 우선시하면 필수적인 변동을 간과하는 지나치게 매끄러운 예측 결과가 나올 수 있다는 점입니다. 이러한 한계를 해결하기 위해, 우리는 세 가지 시너지 모달리티를 매끄럽게 결합하는 상징적-시간적-텍스트 정렬 (Symbolic-Temporal-Textual Alignment)을 위한 혁신적인 멀티모달 아키텍처인 STaT를 소개합니다. 구체적으로, 상징적 (Symbolic) 모달리티는 연속적인 시계열을 이산적 토큰 (Discrete Tokens)으로 변환하여 구조적 패턴과 변곡점의 정확한 식별을 용이하게 하며, 시간적 (Temporal) 모달리티는 내재된 순차적 의존성 (Sequential Dependencies)을 추출하고, 텍스트 (Textual) 모달리티는 도메인 의미론 (Domain Semantics)을 활용하여 거시적인 예측 추세를 유도합니다. 8개의 실제 벤치마크에 대한 종합적인 평가 결과, STaT는 기존의 크기 지표 (Magnitude Indicators)를 최대 8.9% 향상시키는 동시에 형태 왜곡 (Shape Distortion)을 최대 8.5%까지 감소시키며 탁월한 성능을 보여주었습니다.