检索增强的时间序列预测
机器学习
2026-04-08 v2 人工智能
摘要
检索增强生成（RAG）是现代大语言模型（LLM）系统的核心组成部分，尤其是在最新信息对于准确回答用户查询至关重要，或查询超出训练数据范围的情况下。时间序列基础模型（TSFM）的出现，例如 Chronos，以及跨各种时间序列领域对有效零样本预测性能的需求，引出了一个问题：RAG 的优势是否同样适用于时间序列预测？在本文中，我们主张时间序列数据的动态性和事件驱动性使得 RAG 成为 TSFM 的关键组成部分，并引入了一个用于时间序列预测的原则性 RAG 框架，称为检索增强预测（RAF）。在 RAF 框架内，我们开发了用于检索相关时间序列示例并将其整合到预测中的高效策略。通过实验和机制研究，我们证明 RAF 确实提高了跨不同时间序列领域的预测准确性，并且对于更大规模的 TSFM，这种改进更为显著。
引用
@article{arxiv.2411.08249,
title = {Retrieval Augmented Time Series Forecasting},
author = {Kutay Tire and Ege Onur Taga and Muhammed Emrullah Ildiz and Samet Oymak},
journal= {arXiv preprint arXiv:2411.08249},
year = {2026}
}