時系列予測モデルはしばしば過去のパターンから恩恵を受ける。検索拡張生成（RAG）に触発され、最近の研究では関連する過去の時系列セグメントを検索して予測を強化する試みがなされている。しかし、非定常条件下では時系列の類似性のみに依存する検索では不十分な場合が多い。この課題に対処するため、Shiqiao Zhou氏ら6名の著者は、マルチモーダルアプローチである「意味論強化検索拡張時系列予測フレームワーク（SERAF）」を提案した。本論文はICML 2026 Forecasting Workshopに採択され、2026年6月12日にarXiv（2606.14941）に投稿された。
主流のアプローチが時系列の類似性のみに依存するのに対し、SERAFの核心的な革新は、時系列とその自己生成テキスト記述に対する二重検索にある。具体的には、モデルは履歴時系列セグメントに対して対応するテキスト記述を生成し、数値的類似性と意味論的類似性に基づいて、相補的な2組の履歴パターンとそれに対応する未来系列を検索する。これら2組の検索結果は選択的に組み合わせて使用され、将来の予測を導く。
この設計の動機は、時系列の数値的類似性だけでは意味論的な関連性を捉えきれない可能性があることにある。特に非定常環境では、履歴セグメントが現在のセグメントと数値的に類似していても、その背後にある生成メカニズムが異なる場合がある。自己生成テキスト記述を導入することで、SERAFは時系列の数値的視点と意味論的視点を橋渡しし、より堅牢で正確な予測を実現する。
研究チームは7つの実世界データセットで実験を行い、SERAFが数値と意味論の視点を結びつける点で最先端のベースラインと比較して顕著な効果を発揮することを示した。この研究は、時系列予測におけるマルチモーダル情報の可能性を示し、非定常時系列に対する検索拡張手法の新たな方向性を提供する。論文全文はarXivからPDF、HTML実験版、TeXソースコードとして入手可能である。