基于协变量时间序列的检索增强生成
人工智能
2026-03-25 v2
摘要
虽然检索增强生成(RAG)大幅提升了LLM性能，但将该范式扩展到时间序列基础模型(TSFMs)仍是一个挑战。这一挑战在预测压力调节和关闭阀门(PRSOV)的预测性维护中体现为：(1)数据稀缺，(2)短暂的瞬时序列，(3)协变量耦合的动态。不幸的是，现有的时序RAG方法主要依赖生成的静态向量嵌入和可学习的上下文增强器，可能在此稀缺、瞬时且协变量耦合的场景中难以区分相似的情形。为此，我们提出RAG4CTS，一个面向协变量时间序列的、基于情境的、训练自由的RAG框架。具体而言，我们构建了一个分层时序原生知识库，以实现lossless存储和基于物理的历史情境检索。我们设计了两种加权检索机制，通过点积和多变量相似性对齐历史趋势。对于上下文增强，我们引入一种代理驱动的策略，以自监督方式动态优化上下文。大量实验表明，在PRSOV上的我们的框架在预测准确率上显著优于最先进的基线。该系统已部署在中国南方航空的Apache IoTDB中。自部署以来，我们的方法在两个月内成功识别了一个PRSOV故障，零误报。
引用
@article{arxiv.2603.04951,
title = {Retrieval-Augmented Generation with Covariate Time Series},
author = {Kenny Ye Liang and Zhongyi Pei and Huan Zhang and Yuhui Liu and Shaoxu Song and Jianmin Wang},
journal= {arXiv preprint arXiv:2603.04951},
year = {2026}
}
备注
12 pages. Preprint