面向时间序列预测的自适应门控检索增强框架

王乙乔，王鹏飞，顾晓天，王晓玲

（华东师范大学 计算机科学与技术学院，上海200062） 

摘要：尽管Transformer模型在时间序列预测中取得良好性能，现有方法在长期依赖关系建模方面仍然存在局限。为此，本文提出了一种基于检索增强的时间序列预测框架，显式建模序列中的长期依赖关系。首先综合考虑了时域相似性与频域相似性，为每条输入序列检索出最相似的K条历史序列。随后，为充分利用检索信息，同时抑制潜在噪声，本文设计了一种双分支架构：原始序列分支主要建模当前输入的内部依赖关系，检索增强分支通过交叉注意力机制建模当前输入与检索到的历史序列之间的关系。进一步地，为了自适应地平衡两者的贡献，本文引入门控融合机制，动态调整两个分支的信息融合比例。在多个公开时间序列数据集上进行实验的结果表明：相比于现有方法，本文方法取得了优越且稳定的性能，尤其是在长期预测设置下。

关键词：时间序列预测，检索增强框架，门控机制  

扫二维码浏览全文 

Cite this article:

Wang, Y., Wang, P., Gu, X. et al. Retrieval-Augmented Framework with Adaptive Gating for Time Series Forecasting. J. Shanghai Jiaotong Univ. (Sci.) (2025). https://doi.org/10.1007/s12204-025-2847-z

《上海交通大学学报（英文版）》是由教育部主管、上海交通大学主办的自然科学综合性学术期刊，被 EI、Scopus等检索系统收录。主要刊登反映基础理论和工程领域实验研究的最新成果，包括电子工程和自动化、计算机和通信工程、船舶海洋和建筑工程、材料科学与工程以及生物医学工程等。从 2021 年开始，《上海交通大学学报（英文版）》主要刊登医工交叉研究和人工智能及其在工程中的应用成果。 

主页：

https://xuebao.sjtu.edu.cn/sjtu_en/EN/1007-1172/home.shtml

https://link.springer.com/journal/12204