Agentic Retrieval-Augmented Generation for Time Series Analysis

时间序列建模对于许多应用至关重要，但它面临着复杂的时空依赖性和从历史上下文到预测特定任务结果的学习中的分布转移等挑战。为了解决这些挑战，我们提出了一种新颖的方法，使用一个代理检索增强生成（RAG）框架进行时间序列分析。该框架利用分层的、多代理体系结构，其中主代理编排专门的子代理，并将最终用户请求委派给相关的子代理。子代理利用经过微调的小型预训练语言模型（SLMs）定制特定的时间序列任务，通过指令调整和直接优化偏好来检索来自共享提示池的相关提示，其中包含有关历史模式和趋势的精华知识，以改进新数据的预测。我们提出的模块化、多代理RAG方法提供了灵活性，并通过比基准数据集中的任务特定定制方法更有效地解决复杂的挑战，在主要时间序列任务中实现了最先进的性能。

论文旨在解决时间序列建模中存在的复杂的时空依赖和分布转移问题，提出了一个新的Retrieval-Augmented Generation (RAG)框架。

该框架采用了一种分层、多代理的架构，其中主代理协调专业子代理并将最终用户请求委派给相关子代理。子代理利用预训练的小型语言模型（SLM）通过微调和直接优化来定制特定的时间序列任务，从共享的提示池中检索相关提示，以提高对新数据的预测能力。

论文的模块化、多代理RAG方法具有灵活性，并在主要时间序列任务上实现了最先进的性能，比基准数据集上的特定任务定制方法更有效地解决了复杂的挑战。实验设计充分，使用了多个数据集进行测试，并且提供了开源代码。

最近的相关研究包括利用深度学习技术进行时间序列预测的方法，例如LSTM和GRU，以及使用注意力机制和集成学习来提高预测性能的方法。