RATL: Learning from Retrieved Residuals for Robust Multivariate Time-Series Forecasting
RATL：检索历史残差用于鲁棒多变量时间序列预测
🧭 检索增强 · 残差反馈修正
Department of Automation, Tsinghua University · State Key Laboratory of Hydroscience and Engineering, Tsinghua University
将 RAG 思想用于连续预测：冻结基座模型，检索相似历史残差并路由融合以纠偏
📌 工作参考价值（4 点）
- 电商销量/流量/广告消耗等多变量预测场景，可维护基座模型的历史残差记忆库，上线后检索相似上下文残差做轻量级后处理纠偏，无需重训基座。
- 冻结已部署的预测模型，只额外训练残差检索与融合模块，降低迭代成本与上线风险，适合工程化快速验证。
- 利用验证集自动选择 correction strength 控制残差注入幅度，防止过度修正导致线上指标波动，该机制可迁移到任何 additive correction 的预估模型。
- set-aware router 按 forecast block 和 variable 维度选择残差，可借鉴到多指标联合预测（如 GMV、订单量、转化率），让不同指标学习不同的融合权重。