时间序列预测模型通常依赖历史模式来提升准确性。受检索增强生成（RAG）思路的启发，近期研究开始尝试检索相关的历史时间序列片段，以增强预测能力。然而，在非平稳条件下，仅依靠时间序列数值相似度进行检索往往并不充分：数值形态相近的片段，其背后的生成机制和上下文可能截然不同，直接复用反而可能引入噪声。为此，作者提出了一种多模态方法——语义增强的检索增强时间序列预测框架 SERAF（Semantics-Enhanced Retrieval-Augmented Time Series Forecasting）。
与主流方法仅依赖时间序列相似度不同，SERAF 在时间序列本身及其自动生成的文本描述两个层面上进行双重检索。具体而言，模型会为历史时间序列片段生成对应的文本描述，从而把纯数值信号转化为可解释的语义表示；随后分别在数值空间和语义空间中检索相似的历史模式，得到两组互补的历史模式及其对应的未来走势。这两组检索结果并非简单拼接，而是经过选择性筛选后被联合用于指导未来的预测，使模型能够同时受益于数值形态上的相似性与语义层面上的相近性。
作者在七个真实世界数据集上进行了实验，结果表明 SERAF 在弥合时间序列的数值视角与语义视角方面是有效的，相比当前最先进的基线方法取得了更好的表现。该工作说明，将自生成的文本语义信息引入检索环节，可以缓解非平稳性带来的检索失准问题，为检索增强的时间序列预测提供了一条多模态的新路径。
该论文由 Shiqiao Zhou 等六位作者共同完成，于 2026 年 6 月 12 日提交至 arXiv，编号为 arXiv:2606.14941v1，属于人工智能（cs.AI）分类，并已被 ICML 2026 的 Forecasting as a New Frontier of Intelligence 研讨会接收。论文全文可通过 arXiv 提供的 PDF、实验性 HTML 版本以及 TeX 源码等链接获取。