AI Papers Daily

#time series forecasting

2 篇

TS-RAG: Retrieval Augmented Generation for Time Series Forecasting

TS-RAG：用于时间序列预测的检索增强生成

🧭 检索增强的时间序列预测

Baidu, Inc.

提出 TS-RAG，用参考令牌融合检索序列，提升时间序列预测精度

📌 工作参考价值（4 点）

• 在电商销量、流量等时序预测中，可借鉴 TS-RAG 的检索增强思路，检索相似历史窗口并通过可学习的参考令牌融合，避免简单拼接带来的噪声。
• 对于推荐系统的行为序列预测（如用户下一步动作），可检索相似用户序列作为参考，用融合机制增强模型对长尾或冷启动场景的预测能力。
• 工程实现上，需预先对历史序列切片并计算表示向量，构建近似最近邻索引，在线推理时低延迟检索，同时注意定期更新索引。
• 参考令牌设计与 Transformer 主干解耦，可灵活插入现有预测模型，无需大幅改动架构。

RAG | 2026-08-06 | cs.LG | score 7/10

time series forecastingretrieval augmented generationreference tokenstransformerstate-of-the-art

TopoPrimer: The Missing Topological Context in Forecasting Models

TopoPrimer：将序列群体的全局拓扑作为预测模型的缺失上下文

🧭 时序预测基础模型增强 · 拓扑数据分析 ★ 深度解读

Apple

将持久同调和谱层坐标作为冷冻上下文注入预测模型，缩小冷启动差距且抗季节性漂移

📌 工作参考价值（4 点）

• 冷启动与新品上架：新商品无历史销售数据时，可通过预计算的谱层坐标和群体TDA指纹立即定位其在全局流形中的位置，无需等待历史积累。在内部数据上，TopoPrimer 在零周历史时 MAE 比普通 Transformer 低 27%。
• 季节性大促波动：大促期间需求分布剧烈偏移，传统模型 MAE 上涨 46–50%，而拓扑先验能稳定预测，退化幅度控制在 10% 以内。可将该思路用于电商大促、节假日等场景的库存与销量预测。
• 轻量适配器范式：对于已经部署的 Chronos/TimesFM 等预训练基础模型，只需冻结主干网络并训练一个参数量不到主干 0.1% 的拓扑适配器（处理 TDA、谱层坐标、上下文统计量与缓存预测的分支，输出残差修正），即可在几乎不增加推理成本的情况下嵌入群体拓扑信号。
• 拓扑预判准则：用 H1/N（循环密度）快速诊断领域是否具有可利用的循环共动结构（例如电网、天气有真正循环，零售日历周期导致的假循环无效），提前决定是否引入 TDA 分支，避免在无效领域引入噪声。

RecSys | 2026-05-13 | HF Daily | score 8/10

persistent homologyspectral sheaftime series forecastingcold startseasonal spikesfoundation model adapter