TFGformer：通过时频图学习和协变量融合进行多元时间序列预测

来自异构物联网传感器的大规模多元时间序列需要准确的长期预测，以进行资源调度和预测性维护。虽然最近的时间序列基础模型表现出很强的泛化性，但它们依赖于静态参数知识，并且在推理过程中缺乏对外部历史模式的动态访问。检索增强生成（RAG）提供了一种潜在的补救措施，但其在时间序列预测中的应用受到异构源的幅度变化以及历史相似性与未来一致性之间不匹配的挑战。我们提出了 CrossRAG，一种检索增强预测框架，它将形状感知记忆（SAM）与 RevIN 归一化相结合，以实现强度鲁棒的形状级检索；未来一致性对比（FCC）学习区分信息参考与具有相似历史但不同未来的硬负例；以及交叉注意时间融合（CATF），将检索到的历史-未来参考对融合到表示级别的主干表示中。对七个公共基准的实验表明，CrossRAG 始终优于纯参数基线和现有的检索增强预测方法。