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，由于数据的不稳定性，成功的预测很大程度上依赖于识别和利用类似的历史数据，而不仅仅是总结周期性模式。基于RNN或Transformer架构的现有模型通常难以实现这种灵活和有效的利用。为了解决这个挑战，我们提出了一种高效和适应性强的交叉注意力模块RACA，它有效地利用历史片段进行预测任务，并设计了一个精确的表示方案来查询历史序列，同时结合了知识库的设计。这些关键组件共同构成了我们的检索增强时间序列预测框架（RATSF）。RATSF不仅在Fliggy酒店服务量预测的情况下显著提高了性能，更重要的是，可以无缝地集成到其他基于Transformer的时间序列预测模型中，适用于各种应用场景。广泛的实验验证了这个系统设计在多个不同的环境中的有效性和普适性。

RATSF旨在解决服务量预测中数据非平稳性对传统模型预测的影响，通过历史数据的精确查询和知识库的设计提高预测效果。

RATSF提出了一种新的跨注意力模块RACA，利用历史数据进行灵活的预测，同时使用精确的表示方案和知识库。

论文在Fliggy酒店服务量预测中验证了RATSF的有效性和通用性，可以无缝地集成到其他基于Transformer的时间序列预测模型中。

最近的相关研究包括基于RNN或Transformer的模型，但它们在处理数据非平稳性方面存在困难。