PulseAugur
中
实时 08:52:08
English(EN) Model-agnostic Retrieval-Augmented Extended Forecasting for time series

新的RAEF方法提高了时间序列预测效率

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的、与模型无关的时间序列预测方法——检索增强扩展预测（RAEF）。RAEF旨在通过改进检索和聚合机制来优化现有的检索增强预测（RAF）技术。该方法直接在输入空间中检索数据以降低推理开销，并使用基于连接的聚合来保留时间结构，在准确性和效率方面均优于RAF。实证评估表明，RAEF在与微调的基础模型相比时，取得了具有竞争力或更优越的性能，提供了一种避免高计算成本的实用替代方案。 AI

影响 提供了一种更具计算效率和有效性的时间序列预测方法，有可能改进金融、天气和需求预测等领域的应用。

排序理由 详细介绍时间序列预测新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的RAEF方法提高了时间序列预测效率

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Juan Pablo Villa Serna, Rohan Asthana, Vasileios Belagiannis ·

    面向时间序列的模型无关检索增强扩展预测

    arXiv:2608.14054v1 Announce Type: new Abstract: Time series forecasting with pretrained foundation models has demonstrated strong zero-shot capabilities. However, achieving optimal performance on time series with short or negligible historical data in domain-specific applications…

相关实体

相关话题