TimeRAF：用于零样本时间序列预测的检索增强基础模型
机器学习
2024-12-31 v1
摘要
时间序列预测在数据挖掘中发挥着关键作用，推动了诸多行业的快速发展。随着大模型的出现，时间序列基础模型（TSFMs）通过大规模预训练展现出了如零样本学习等的显著泛化能力。同时，检索增强生成（RAG）方法已被广泛用于提高基础模型在未见数据上的性能，使模型能够访问外部知识。本文介绍了 TimeRAF，这是一种检索增强的预测模型，通过检索增强技术提升零样本时间序列预测能力。我们开发了针对特定预测任务量身定制的时间序列知识库。TimeRAF 采用端到端可学习的检索器从知识库中提取有价值的信息。此外，我们提出了通道提示技术，用于有效地从检索到的知识中提取相关信息。广泛的实验结果表明，我们的模型非常有效，在各种领域和数据集上均实现了显著的改进。
引用
@article{arxiv.2412.20810,
title = {TimeRAF: Retrieval-Augmented Foundation model for Zero-shot Time Series Forecasting},
author = {Huanyu Zhang and Chang Xu and Yi-Fan Zhang and Zhang Zhang and Liang Wang and Jiang Bian and Tieniu Tan},
journal= {arXiv preprint arXiv:2412.20810},
year = {2024}
}