في السنوات الأخيرة، برزت نماذج التعلم العميق، وبالتحديد تلك المعتمدة على بنى المحولات (transformer)، كأداء مميز في مجال توقع السلاسل الزمنية. ومع ذلك، لا تزال تطبيقات الجيل المعزز بالاسترجاع (Retrieval Augmented Generation) في هذا المجال محدودة، رغم ما أثبتته من فعالية في تعزيز قدرات نماذج اللغات الضخمة (Large Language Models) من خلال دمج المعلومات الخارجية ذات الصلة.

تتمثل الفكرة الرئيسية في أن استرجاع تسلسلات زمنية مشابهة كنقاط مرجعية قد يساهم بشكل فعال في تحسين دقة مهام توقع السلاسل الزمنية. لكن العدد الكبير من نماذج السلاسل الزمنية تعاني من قيود على مستوى البيانات التدريبية، وضيق نطاق المعلمات، بالإضافة إلى قلة القدرات التوليدية الواسعة التي تمتلكها نماذج اللغات الضخمة.

لم يتمكن الجمع البسيط لتسلسلات مرجعية في النص المدخل، كما هو الحال في نماذج اللغة، من تحقيق النتائج المتوقعة. لمواجهة هذه التحديات، نقدم منهجًا جديدًا يعرف باسم TS-RAG، والذي يستفيد من الجيل المعزز بالاسترجاع لتعزيز أداء توقع السلاسل الزمنية.

يساهم هذا الإطار في إدخال رموز مرجعية مصممة خصيصًا لدمج المعلومات بشكل فعال من تسلسل الإدخال مع تلك المستخرجة من تسلسلات مشابهة تم استرجاعها، مما يمكن من التقاط الديناميكيات الزمنية المعقدة بشكل أكثر قوة. أثبتت النتائج التجريبية أن TS-RAG يحقق أداءً ثابتًا ويمثل النقطة الأفضل بين النماذج عبر عدة معايير لتوقع السلاسل الزمنية في العالم الحقيقي.