本文提出了 ALER-TI，一种用于时间序列插补的检索增强框架，利用历史模式来补充退化的局部上下文。其核心组件潜在嵌入对齐（LEA）通过在潜在空间中应用事后掩码，缓解损坏查询与完整历史候选项之间的表示不匹配。

  • LEA 根据查询的缺失模式对齐候选项，同时允许预先计算并缓存历史嵌入以实现高效检索。
  • 该框架与模型无关，并通过轻量级适配模块与各种插补骨干网络集成。
  • 在六个真实世界数据集上的实验表明，ALER-TI 一致地提升了强基线模型的性能，并在多种插补设置中增强了鲁棒性。

ALER-TI 解决了现有架构的局限性，这些架构主要依赖于局部时间上下文，这对于非平稳动态和弱相关性可能不足。