Исследователи представили TFGformer — модель для прогнозирования многомерных временных рядов, объединяющую графовое обучение и RAG. В отличие от стандартных моделей, полагающихся на статические веса, TFGformer динамически извлекает исторические паттерны из внешних данных. Это позволяет эффективнее обрабатывать гетерогенные показатели IoT-датчиков, обеспечивая высокую точность долгосрочных прогнозов для задач предиктивного обслуживания и управления ресурсами в сложных инфраструктурных системах.
Архитектура модели решает проблему ограниченности параметрических знаний в современных Foundation-моделях для временных рядов. Интеграция механизма поиска (Retrieval-Augmented Generation) позволяет системе в реальном времени обращаться к релевантным историческим контекстам, что критически важно при работе с нестационарными данными, где зависимости между переменными могут меняться со временем.
Метод использует Time-Frequency Graph Learning для анализа данных одновременно во временной и частотной областях. Это помогает выявлять сложные корреляции между различными сенсорами, которые часто упускаются при использовании классических трансформеров. Комбинирование графовых представлений с ковариационным слиянием (Covariate Fusion) повышает устойчивость модели к шумам и пропускам в данных, характерным для промышленных IoT-сетей.
Ключевые факты
- TFGformer сочетает графовое обучение во временной и частотной областях с механизмом RAG для динамического доступа к данным.
- Модель разработана для работы с крупномасштабными многомерными временными рядами, поступающими от гетерогенных IoT-сенсоров.
- Основной упор сделан на улучшение точности долгосрочного прогнозирования, необходимого для предиктивного обслуживания оборудования.
- Метод минимизирует зависимость от статических параметров, позволяя модели адаптироваться к изменяющимся историческим паттернам в процессе инференса.