Coggle数据科学 | TimeRAG：通过RAG进行时间序列预测

本文来源公众号“Coggle数据科学”，仅用于学术分享，侵权删，干货满满。

原文链接：TimeRAG：通过RAG进行时间序列预测

https://arxiv.org/pdf/2412.16643

文章提出了一种名为TimeRAG的框架，通过将检索增强生成（Retrieval-Augmented Generation, RAG）引入时间序列预测的大型语言模型（Large Language Models, LLMs）中，以提高预测准确性。

TimeRAG框架从历史序列中构建时间序列知识库，使用动态时间规整（Dynamic Time Warping, DTW）作为距离度量，从知识库中检索与查询序列具有相似模式的参考序列，并将这些参考序列与预测查询结合为文本提示，输入到时间序列预测的LLM中。

论文出发点

时间序列预测在数据科学和机器学习研究中至关重要，广泛应用于金融市场分析、需求预测、天气预测等领域。

然而，现有的时间序列预测LLMs难以适应不同领域，且训练成本高昂，通常针对特定领域进行优化。

此外，由于LLMs的“幻觉”问题，它们可能会生成不准确的预测、异常值或与数据不符的模式，缺乏可解释性。

论文方法

方法概述