摘要
时间序列预测模型通常受益于历史模式。受检索增强生成（RAG）的启发，近期研究探索了检索相关历史时间序列片段以增强预测的可能性。然而，单靠时间序列相似性在非平稳情况下往往不足以进行有效检索。为了解决这个问题，我们提出了一种多模态的方法：
Semantics- Enhanced Retrieval- Augmented Forecasting（SERAF）框架。与仅依赖时间序列相似性的主流方法不同，SERAF 进行双重检索，既检索时间序列，又检索其自生成的文本描述。它检索到两组互补的历史模式及其对应的未来，这些信息被选择性地联合使用，以指导未来的预测。
在七个真实世界数据集上的实验结果表明，与最先进的基线相比，SERAF 在桥接时间序列的数值和语义视角方面表现出色。
博主点评： SERAF 框架通过结合时间序列与其语义描述，显著提升了时间序列预测的效果，展示了多模态方法在处理复杂数据时的潜力。此研究为未来的时间序列分析提供了新的视角与思路。