En el mundo actual de los servicios web, la predicción precisa de flujos de datos secuenciales es fundamental para aplicaciones como la gestión del tráfico, la modelización del comportamiento de los usuarios y la prevención de anomalías en línea. Sin embargo, en muchos entornos web, surgen rápidamente nuevos dominios y los datos de historial etiquetados son escasos, lo que hace que la predicción de cero disparos sea particularmente desafiante.
Los modelos pre-entrenados de series temporales (TSPMs) muestran promesas, pero carecen de la capacidad de incorporar dinámicamente conocimiento externo, mientras que los métodos de generación aumentada por recuperación (RAG) convencionales rara vez se extienden más allá del texto. En este trabajo, presentamos QuiZSF, un marco de trabajo de predicción aumentada con recuperación que integra la búsqueda y la predicción para datos de series temporales.
El marco realiza la búsqueda recuperando secuencias estructuralmente similares de una base de datos de series temporales a gran escala, y realiza la predicción integrando el conocimiento recuperado en la secuencia objetivo. Específicamente, QuiZSF introduce un ChronoRAG Base, una base de datos jerárquica estructurada en árbol que permite la recuperación escalable y consciente del dominio, un Aprendiz de Interacción de Series Multigranulares que captura dependencias finas y gruesas entre las secuencias objetivo y recuperadas, y un Cohecedor de Cooperación de Modelos que adapta el conocimiento recuperado a los TSPMs.
Este diseño enseña a los modelos a realizar activamente búsquedas, alinear información auxiliar en diferentes modalidades y aprovecharla para una predicción más precisa. Experimentos extensos en cinco bancos de pruebas públicos demuestran que QuiZSF supera consistentemente a baselines sólidos, clasificándose en primer lugar en hasta un 87.5% de configuraciones de predicción de cero disparos mientras mantiene una alta eficiencia.
