详细内容或原文请订阅后点击阅览
时间序列检索：回顾如何改进预测
为什么检索有助于时间序列预测 我们都知道它是怎么回事：时间序列数据很棘手。传统的预测模型对突然的市场崩盘、黑天鹅事件或罕见的天气模式等事件没有做好准备。即使像 Chronos 这样的大型花哨模型有时也会遇到困难，因为它们以前没有处理过这种模式。我们可以[…]帖子检索时间序列：如何回顾改进预测首先出现在走向数据科学上。
来源:走向数据科学有助于时间序列预测
我们都知道它是怎么回事：时间序列数据很棘手。
传统的预测模型无法应对突然的市场崩盘、黑天鹅事件或罕见的天气模式等事件。
即使像 Chronos 这样的大型模型有时也会遇到困难，因为它们以前没有处理过这种模式。
我们可以通过检索来缓解这种情况。通过检索，我们可以询问以前是否发生过类似的情况？然后使用过去的示例来指导预测。
现在我们都知道，在自然语言处理（NLP）中，这种想法被称为检索增强生成（RAG）。它在时间序列预测领域也变得流行。
然后，该模型会考虑与当前情况类似的过去情况，并据此做出更可靠的预测。
这个 RAF 与传统时间序列有何不同？检索预测添加了显式内存访问步骤。
而不是：
过去 -> 参数 -> 预测
通过检索，我们有：
当前情况->相似性搜索->具体过去事件->预测
我们的想法不是仅仅使用模型在训练过程中学到的知识，而是让它能够接触到一系列类似的情况。
这就像让天气模型检查“过去的冬天像今年这样是什么样子？”。
大家好，我是 Sara Nóbrega，一名人工智能工程师。如果您正在解决类似的问题或需要有关应用这些想法的反馈，我在这里收集了我的写作、资源和指导链接。
在本文中，我从基本原理出发探索检索增强预测，并通过具体示例和代码示例展示如何在实际预测管道中使用检索。
什么是检索增强预测 (RAF)？
什么是英国皇家空军？从非常高层次的角度来看，RAF 不是仅仅依靠模型在训练中学到的知识，而是让模型主动查找与当前情况类似的过去的具体情况，并使用它们的结果来指导其预测。
让我们更详细地了解一下：
这种技术的强大之处在于：