RATSF: Empowering Customer Service Volume Management through Retrieval-Augmented Time-Series Forecasting

一个高效的客户服务管理系统取决于对服务量的精确预测。在这种情况下，数据的不稳定性明显，成功的预测在很大程度上依赖于识别和利用相似的历史数据，而不仅仅是总结周期性模式。基于RNN或Transformer架构的现有模型可能会在这种灵活和有效的利用方面遇到困难。为了解决这个挑战，我们最初开发了时间序列知识库（TSKB），具有高级索引系统，用于高效检索历史数据。我们还开发了检索增强交叉注意力（RACA）模块，这是Transformer解码器层内交叉注意力机制的一种变体，旨在无缝集成到基本Transformer架构中，以吸收关键的历史数据片段。TSKB和RACA之间的协同作用构成了我们的检索增强时间序列预测（RATSF）框架的支柱。基于以上两个组件，RATSF不仅在Fliggy酒店服务量预测的情境下显著提高了性能，而且可以灵活适应各种场景，并与多种Transformer变体集成用于时间序列预测。广泛的实验验证了这种系统设计在多个不同的上下文中的有效性和通用性。

本文旨在解决在数据非稳态的情况下进行客户服务量预测的问题，提出了一种新的Retrieval-Augmented Time Series Forecasting (RATSF)框架。

该框架结合了Time Series Knowledge Base (TSKB)和Retrieval Augmented Cross-Attention (RACA)模块，通过高效的历史数据检索和关键历史数据片段的融合，提高了预测性能。

实验结果表明，RATSF在Fliggy酒店服务量预测中表现出了显著的效果，并且在不同场景下都具有很好的适应性和通用性。此外，该框架还可以与多种Transformer变体集成，具有很高的灵活性。

在相关研究方面，目前已经有一些基于RNN或Transformer的模型用于时间序列预测，但是这些模型在处理非稳态数据时存在一定的局限性。