QuiZSF：面向零样本时间序列预测的检索增强框架
机器学习
2026-02-02 v2
摘要
对序列数据流进行准确预测是现代 Web 服务的基石，支撑着流量管理、用户行为建模和在线异常预防等应用。然而，在许多 Web 环境中，新领域迅速涌现且带标签的历史数据稀缺，这使得零样本预测尤其具有挑战性。现有的时间序列预训练模型（TSPMs）虽展现出潜力，但缺乏动态整合外部知识的能力，而传统的检索增强生成（RAG）方法很少扩展到文本之外。在本工作中，我们提出了 \textbf{QuiZSF}，一个将搜索与预测相结合以处理时间序列数据的检索增强预测框架。该框架通过从大规模时间序列数据库中检索结构相似的序列来执行搜索，并通过将检索到的知识整合到目标序列中来执行预测。具体而言，QuiZSF 引入了一个 \textbf{ChronoRAG Base}，这是一个支持可扩展且领域感知检索的层次树状结构数据库；一个 \textbf{多粒度序列交互学习器}，用于捕获目标序列与检索序列之间的细粒度和粗粒度依赖关系；以及一个 \textbf{模型协作协调器}，用于使检索到的知识适配 TSPMs。这种设计教会模型主动执行搜索、跨模态对齐辅助信息，并利用这些信息进行更准确的预测。在五个公开基准上的大量实验表明，QuiZSF 持续优于强大的基线模型，在高达 \textbf{87.5\%} 的零样本预测设置中排名第一，同时保持了高效率。
引用
@article{arxiv.2508.06915,
title = {QuiZSF: A Retrieval-Augmented Framework for Zero-Shot Time Series Forecasting},
author = {Shichao Ma and Zhengyang Zhou and Qihe Huang and Binwu Wang and Yang Wang},
journal= {arXiv preprint arXiv:2508.06915},
year = {2026}
}