TFGformer: Multivariate Time Series Forecasting via Time-Frequency Graph Learning and Covariate Fusion
arXiv 论文 2607.29459v1 提出 CrossRAG，一种用于多元时间序列预测的检索增强框架，结合 Shape-Aware Memory (SAM) 与 RevIN 归一化、Future-Consistent Contrastive (FCC) 学习和 Cross-Attention Temporal Fusion (CATF)，在七个公共基准上优于仅参数化基线。
Development
- First ReportTFGformer: Multivariate Time Series Forecasting via Time-Frequency Graph Learning and Covariate FusionarXiv cs.AI
- Current Assessment该研究针对 IoT 传感器大规模时间序列预测，对资源调度和预测性维护有直接价值。检索增强方法可能成为时间序列预测的新方向，减少对静态参数知识的依赖，提升模型在异构数据上的适应性。Agent Pulse · analysis
论文《TFGformer: Multivariate Time Series Forecasting via Time-Frequency Graph Learning and Covariate Fusion》提出 CrossRAG，一种检索增强的时间序列预测框架。它针对大规模异构 IoT 传感器数据，解决长期预测中的资源调度和预测性维护问题。CrossRAG 通过 Shape-Aware Memory (SAM) 与 RevIN 归一化实现幅度鲁棒的形状级检索，通过 Future-Consistent Contrastive (FCC) 学习区分具有相似历史但未来发散的有用参考，并通过 Cross-Attention Temporal Fusion (CATF) 在表示层面融合检索到的历史-未来参考对。实验在七个公共基准上显示，CrossRAG 持续优于仅参数化基线和现有方法。
CrossRAG 的核心创新在于将检索增强生成 (RAG) 应用于时间序列预测，通过 SAM 和 RevIN 归一化解决异构源幅度变化问题，通过 FCC 学习确保检索到的参考与未来一致性相关，通过 CATF 在表示层面融合参考信息。这表明时间序列基础模型可以通过动态检索外部历史模式来增强泛化能力，而无需重新训练。
该研究针对 IoT 传感器大规模时间序列预测，对资源调度和预测性维护有直接价值。检索增强方法可能成为时间序列预测的新方向，减少对静态参数知识的依赖，提升模型在异构数据上的适应性。
对于提供预测性维护或资源调度解决方案的企业，CrossRAG 可能提升预测准确性，降低运营成本。其检索增强设计允许在不重新训练的情况下利用历史数据，可能降低模型更新成本。
未来可关注 CrossRAG 在更多实际 IoT 场景中的部署，以及其与现有时间序列基础模型的集成。可验证的信号包括：CrossRAG 在更多基准上的复现结果，以及是否有后续工作将其扩展到在线学习或流式预测。