时间序列的模型不可知检索增强扩展预测

使用预训练的基础模型进行时间序列预测已展现出强大的零样本能力。然而，在特定领域的应用程序中，要在具有较短或可忽略的历史数据的时间序列上实现最佳性能，通常需要通过 微调 或 RAG 进行调整。虽然 微调 很有效，但它会产生大量的计算成本。这项工作探索单变量时间序列（检索增强生成）中的 RAG 作为一种更有效的替代方案，特别是 RAF（检索增强预测），并引入了 RAEF（检索增强扩展预测），这是一种基于 RAF 的模型无关方法。 RAEF 对检索和聚合机制进行了关键改进：(1) 在输入空间而不是嵌入空间中直接检索，减少推理开销，以及 (2) 基于串联的聚合，保留时间结构而不是平均。跨多个基准数据集的实证评估表明，RAEF 在准确性和推理开销方面均优于 RAF。此外，与零样本和微调基础模型的全面比较表明，RAEF 实现了与 微调 竞争或优越的性能，同时避免了其计算负担，使其成为时间序列预测中域适应的实用且可扩展的方法。