SERAF는 시계열 유사도에만 의존하던 기존 검색증강 예측과 달리, 시계열과 모델이 스스로 생성한 텍스트 설명을 함께 검색하는 멀티모달 시계열 예측 프레임워크다. 비정상성(non-stationarity) 환경에서 시계열 유사도만으로는 검색이 불충분하다는 문제에 대응해, 시계열과 의미(semantic) 두 관점에서 상호 보완적인 과거 패턴과 그에 대응하는 미래를 검색해 예측에 선택적으로 결합한다. 7개 실세계 데이터셋 실험에서 최신 기준선 대비 수치적·의미적 관점을 잇는 효과를 입증했다. 시계열 예측에서 텍스트 의미 정보를 활용하는 실용적 접근을 제시한다.
- •시계열과 자체 생성 텍스트 설명을 동시에 검색하는 듀얼 검색 기반 멀티모달 예측 프레임워크
- •비정상성 환경에서 시계열 유사도 단독 검색의 한계를 의미 정보로 보완
- •상호 보완적인 두 과거 패턴 집합과 미래를 선택적·결합적으로 활용
- •7개 실세계 데이터셋에서 최신 기준선 대비 효과 입증
Semantics-Enhanced Retrieval-Augmented Time Series Forecasting
본문 미리보기
arXiv:2606.14941v1 Announce Type: new Abstract: Time series forecasting models often benefit from historical patterns. Inspired by Retrieval-Augmented Generation (RAG), recent research explored retrieving relevant historical time series segments to enhance forecasting. However, relying solely on time series similarity is often insufficient for retrieval under non-stationarity. To address this, we propose a multimodal approach: a \textbf{S}emantics-\textbf{E}nhanced \textbf{R}etrieval-\textbf{A}
전체 내용이 궁금하다면?
원문을 직접 읽어보세요