Zespół badawczy opracował framework SERAF, który przenosi ideę Retrieval-Augmented Generation (RAG) do dziedziny prognozowania szeregów czasowych. Zamiast polegać tylko na porównywaniu wartości liczbowych, system prowadzi równoległe wyszukiwanie: szuka zarówno podobnych historycznych wzorców w danych, jak i ich tekstowych opisów automatycznie generowanych przez model.
Problem, który rozwiązuje SERAF, dotyczy niestacjonarności danych — innymi słowy, gdy cechy szeregu czasowego zmieniają się w czasie. W takich warunkach samo podobieństwo numeryczne może być myląca i niedostateczna dla trafnego doboru przykładów historycznych. Łącząc perspektywę numeryczną i semantyczną, model uzyskuje bardziej wszechstronny obraz tego, jakie historyczne scenariusze mogą być istotne dla przyszłych prognoz.
Wyniki eksperymentów na siedmiu rzeczywistych zbiorach danych pokazują, że podejście multimodalne SERAF wyraźnie przewyższa obecne state-of-the-art rozwiązania. To otwarcie nowych możliwości w prognozowaniu — zamiast traktować szeregi czasowe jako czysto liczbowe obiekty, model uczy się je rozumieć zarówno jako dane ilościowe, jak i poprzez semantyczne znaczenie tych danych. Takie połączenie może być szczególnie cenne w praktyce dla finansów, energii czy logistyki, gdzie rozumienie kontekstu danych jest równie ważne jak sama analiza liczb.