ROAR：面向零样本时间序列预测的检索机会感知精炼

arXiv:2605.24911v2 公告类型：替换 摘要：检索增强为时间序列预测器提供了历史延续片段，然而，即使候选片段优于基础预测，也未必能改善最终预测结果。我们提出 ROAR，一种面向零样本时间序列预测的检索机会感知精炼框架。为更好地利用这些改进机会，其训练目标根据基础预测的难度以及检索候选片段所带来的相对改进程度，在不同查询之间分配额外权重。在此目标下，ROAR 首先学习聚合对齐的历史候选片段，并使用一个学习得到的门控机制，相对于固定的基础预测器控制候选片段的校正强度。随后，它联合校准预测模块和门控机制，以协调二者的贡献，同时将组合预测锚定到第一阶段的精炼输出。我们推导了精炼增益和机会加权训练损失的精确分解，并在局部线性化条件下刻画了联合校准带来的额外增益。在七个基准数据集上的实验表明，在参与比较的方法中，ROAR 达到了最低的平均 MSE。进一步评估显示，在多个骨干网络系列和检索增强预测器上，ROAR 都能带来平均预测性能提升。