RATSF：通过检索增强时间序列预测赋能客服量管理
机器学习
2024-06-18 v2 信息检索
摘要
高效的客服管理系统取决于对客服量的精确预测。在这种数据非平稳性显著的情况下，成功的预测严重依赖于识别和利用相似的历史数据，而不仅仅是总结周期性模式。基于 RNN 或 Transformer 架构的现有模型可能难以实现这种灵活有效的利用。为了应对这一挑战，我们首先开发了带有先进索引系统的时间序列知识库，以实现高效的历史数据检索。我们还开发了检索增强交叉注意力模块，这是 Transformer 解码器层中交叉注意力机制的一个变体，旨在无缝集成到原生 Transformer 架构中，以吸收关键的历史数据片段。TSKB 和 RACA 之间的协同作用构成了我们的检索增强时间序列预测框架的骨干。基于上述两个组件，RATSF 不仅在 Fliggy 酒店客服量预测场景中显著提升了性能，而且能灵活适应各种场景，并与众多用于时间序列预测的 Transformer 变体集成。大量实验验证了该系统设计在多种不同环境中的有效性和泛化能力。
引用
@article{arxiv.2403.04180,
title = {RATSF: Empowering Customer Service Volume Management through Retrieval-Augmented Time-Series Forecasting},
author = {Tianfeng Wang and Gaojie Cui},
journal= {arXiv preprint arXiv:2403.04180},
year = {2024}
}