GRAM：通过图形检索幅度校正冻结时间序列基础模型记忆

时间序列基础模型（TSFM）通过大规模跨域预训练实现零样本预测，而检索增强则通过利用历史信息进一步提高其性能。然而，现有方法通常使用类似历史窗口的真实未来来校正 TSFM 预测，其中既包含基础模型已经捕获的预测成分，又包含难以转移的样本特定随机波动。相比之下，预测误差中反复出现的系统模型偏差更直视觉定位表征了冻结 TSFM 的故障模式，因此提供了更有价值的校正信号。然而，有效利用这种模型偏差带来了两个挑战：由于尺度差异，不同数值水平的预测误差难以比较，并且必须从随机波动污染的预测误差中提取重复出现的偏差。为了应对这些挑战，我们提出了 GRAM，一种用于冻结 TSFM 的通用检索增强框架。 GRAM 首先引入了 Amplitude 记忆模块 (AMM)，该模块可按幅度缩放预测误差并将其聚合到可检索的原型中。然后，它采用原型图模块（PGM）对原型之间的关系进行建模，以聚合一致的偏差信息，同时抑制随机波动。在在线预测过程中，GRAM 检索并扩展与当前查询相关的原型，并生成每个范围的修正以完善原始 TSFM 预测。跨多个数据集和基础模型的实验证明了一致的预测改进。