論文の概要: Semantics-Enhanced Retrieval-Augmented Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2606.14941v1
• Date: Fri, 12 Jun 2026 20:32:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.468158
• Title: Semantics-Enhanced Retrieval-Augmented Time Series Forecasting
• Title（参考訳）: セマンティックスにより強化された検索時系列予測
• Authors: Shiqiao Zhou, Zipeng Wu, Holger Schöner, Edouard Fouché, IAG Wilson, Shuo Wang,
• Abstract要約: 時系列予測モデルは、しばしば歴史的パターンの恩恵を受ける。 最近の研究は、予測を強化するために、関連する時系列セグメントを検索することを検討した。 textbfSemantics-textbfEnhanced textbfRetrieval-textbfAugmented Time Series textbfForecasting framework, SERAF。
• 参考スコア（独自算出の注目度）: 5.059121667323038
• License: http://creativecommons.org/licenses/by/4.0/
• 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}ugmented Time Series \textbf{F}orecasting framework, SERAF. Unlike mainstream approaches that depend only on time series similarity, SERAF conducts dual retrieval over the time series and their self-generated textual descriptions. It retrieves two complementary sets of historical patterns and corresponding futures, which are selectively and jointly used to guide future predictions. Experiments across seven real-world datasets demonstrate the effectiveness of SERAF in bridging numerical and semantic views of time series compared with state-of-the-art baselines.
• Abstract（参考訳）: 時系列予測モデルは、しばしば歴史的パターンの恩恵を受ける。 Retrieval-Augmented Generation (RAG)にインスパイアされた最近の研究は、予測を強化するために、関連する時系列セグメントを検索することを検討した。 しかし、時系列の類似性にのみ依存することは、非定常性の下での検索には不十分であることが多い。 そこで我々は, マルチモーダル手法を提案する。 a \textbf{S}emantics-\textbf{E}nhanced \textbf{R}etrieval-\textbf{A}ugmented Time Series \textbf{F}orecasting framework, SERAF。 時系列の類似性にのみ依存する主流のアプローチとは異なり、SERAFは時系列とその自己生成したテキスト記述を二重に検索する。 2つの補完的な歴史パターンとそれに対応する未来を検索し、将来の予測を導出するために選択的に共同で使用される。 7つの実世界のデータセットを対象とした実験は、最先端のベースラインと比較して、時系列の数値的および意味的なビューをブリッジするSERAFの有効性を示す。

関連論文リスト

• Stationarity-Aware Retrieval-Augmented Time Series Forecasting [5.059121667323038]
  時系列予測は歴史的パターンに依存している。 リアルワールドシリーズは、しばしば非定常性やレギュラーシフトを示す。 定常性を考慮した検索時系列予測手法を提案する。
  論文  参考訳（メタデータ） (2026-06-02T18:47:16Z)
• ARIES: Relation Assessment and Model Recommendation for Deep Time Series Forecasting [54.57031153712623]
  ARIESは時系列特性とモデリング戦略の関係を評価するためのフレームワークである。 実世界の時系列に解釈可能な提案を提供することのできる,最初の深層予測モデルレコメンデータを提案する。
  論文  参考訳（メタデータ） (2025-09-07T13:57:14Z)
• Language in the Flow of Time: Time-Series-Paired Texts Weaved into a Unified Temporal Narrative [65.84249211767921]
  テキスト・アズ・タイム・シリーズ(TaTS)は、既存の数値のみの時系列モデルにプラグインできる。 TaTSはモデルアーキテクチャを変更することなく予測性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-02-13T03:43:27Z)
• Unveiling the Potential of Text in High-Dimensional Time Series Forecasting [12.707274099874384]
  本稿では,時系列モデルと大規模言語モデルを統合する新しいフレームワークを提案する。 マルチモーダルモデルにインスパイアされた本手法では, 時系列データとテキストデータを重塔構造で結合する。 テキストを組み込んだ実験により,高次元時系列予測性能が向上することが示された。
  論文  参考訳（メタデータ） (2025-01-13T04:10:45Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• VQ-AR: Vector Quantized Autoregressive Probabilistic Time Series Forecasting [10.605719154114354]
  時系列モデルは過去の予測を正確に予測することを目的としており、そこではビジネス上の意思決定のような重要な下流のタスクに予測が使用される。 本稿では,新しい自己回帰型アーキテクチャであるVQ-ARを提案する。
  論文  参考訳（メタデータ） (2022-05-31T15:43:46Z)
• Optimal Latent Space Forecasting for Large Collections of Short Time Series Using Temporal Matrix Factorization [0.0]
  複数の手法を評価し、それらの方法の1つを選択することや、最良の予測を生成するためのアンサンブルを選択するのが一般的である。 本稿では,低ランク時間行列係数化と潜在時系列上での最適モデル選択を組み合わせることで,短時間の高次元時系列データを予測するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-15T11:39:21Z)
• Instance-wise Graph-based Framework for Multivariate Time Series Forecasting [69.38716332931986]
  我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。 私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
  論文  参考訳（メタデータ） (2021-09-14T07:38:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。