Retrieval-Augmented Generation with Covariate Time Series

Each language version is independently generated for its own context, not a direct translation.

Imagine que você é um mecânico de avião tentando prever se uma peça vital, chamada PRSOV (uma válvula que controla a pressão do ar), vai quebrar. O problema é que essa peça só faz um movimento crítico por voo, dura apenas 10 segundos e os dados são tão raros que é como tentar prever o tempo de amanhã olhando apenas para uma única nuvem que passou ontem.

Os computadores modernos (chamados de "Modelos de Fundação") são muito inteligentes, mas eles têm um problema: quando não têm muitos exemplos para estudar, eles começam a "alucinar" ou fazer previsões erradas, ignorando as leis da física.

Este paper apresenta uma solução genial chamada RAG4CTS. Vamos explicar como funciona usando uma analogia simples: O Detetive com uma Pasta de Arquivos.

1. O Problema: O Detetive sem Memória

Normalmente, quando um computador tenta prever o futuro de uma máquina, ele tenta "aprender" com dados passados. Mas, no caso das válvulas de avião:

Falta de Dados: Só temos um registro por voo. É como tentar aprender a dirigir vendo apenas uma foto de um carro.
Tempo Curto: O evento importante dura segundos. É como tentar entender uma música ouvindo apenas um batida.
Física Complexa: A válvula não age sozinha; ela reage a outras coisas (como a velocidade do motor). Se você ignorar essas "causas", a previsão falha.

Os métodos antigos tentam transformar esses dados em "vetores" (números abstratos), o que é como tentar descrever uma foto de um acidente de carro apenas dizendo "é vermelho e rápido". Você perde os detalhes finos e a precisão necessária.

2. A Solução: O Detetive com uma Pasta de Arquivos (RAG4CTS)

Em vez de tentar "aprender" de novo, o sistema RAG4CTS age como um detetive experiente que, ao ver um problema novo, abre uma pasta de arquivos e diz: "Espere, já vi algo muito parecido com isso acontecer antes!".

Aqui estão os três segredos do método:

A. A Biblioteca de "Fotos em Alta Definição" (Base de Conhecimento)

Em vez de transformar os dados em resumos abstratos (que perdem detalhes), o sistema guarda os dados brutos (as fotos originais) em uma estrutura organizada como uma árvore genealógica.

Analogia: Imagine que, em vez de ter um resumo escrito de um acidente, você tem o vídeo original em 4K. Quando algo novo acontece, o sistema busca exatamente esse vídeo, sem perder nenhum pixel de informação. Isso é crucial porque os eventos são muito curtos e rápidos.

B. O Filtro Inteligente (Recuperação com Duplo Peso)

Quando o sistema busca no arquivo, ele não olha apenas se a linha do gráfico parece parecida. Ele usa dois filtros inteligentes:

O "Momento Certo": Ele dá mais peso para o que aconteceu agora e para o que vai acontecer nos próximos segundos (como saber que o motor vai acelerar).
A "Causa Raiz": Ele verifica se as causas (como a pressão do ar e a velocidade do motor) são as mesmas.

Analogia: É como procurar um suspeito. Não basta que a pessoa tenha o mesmo rosto (o gráfico pareça igual). Ela precisa ter o mesmo motivo e estar no mesmo lugar (as mesmas condições físicas). Se o gráfico parece igual, mas a causa é diferente, o sistema descarta.

C. O Assistente que Ajusta a História (Agente de Contexto)

Aqui está a parte mais criativa. O sistema não joga todos os arquivos antigos na mesa de uma vez. Ele usa um "Agente" (um pequeno assistente automático) que testa: "Quantos exemplos anteriores eu preciso mostrar para acertar a previsão?".

Analogia: Imagine que você está tentando adivinhar o final de um filme.
- Se você mostrar apenas 1 cena anterior, pode não ter contexto suficiente.
- Se mostrar 50 cenas, você se confunde com detalhes inúteis.
- O Agente testa mentalmente: "Se eu mostrar 3 cenas, acerto? E se mostrar 4?". Ele escolhe o número perfeito de exemplos para ajudar a prever o futuro sem confundir o computador.

3. O Resultado na Vida Real

Esse sistema já está funcionando na China Southern Airlines (uma grande companhia aérea).

O que aconteceu: O sistema monitorou a frota de aviões. Em dois meses, ele conseguiu identificar uma falha real em uma válvula antes que ela quebrasse, sem dar nenhum alarme falso.
Por que isso importa: Se a válvula quebrar no ar, o avião pode ter que pousar de emergência ou ficar no chão (o que custa milhares de dólares e atrasa voos). Ao prever o problema com antecedência, os mecânicos podem consertar a peça durante uma escala normal, mantendo o avião voando e os passageiros seguros.

Resumo em uma frase

O RAG4CTS é como dar a um computador uma "memória fotográfica" de todos os eventos passados, ensinando-o a olhar não apenas para o que aconteceu, mas para por que aconteceu, permitindo que ele preveja falhas em máquinas complexas mesmo quando há poucos dados disponíveis.

Each language version is independently generated for its own context, not a direct translation.

Título: RAG4CTS: Geração Aumentada por Recuperação para Séries Temporais de Covariáveis em Cenários Industriais

1. O Problema

O artigo aborda as limitações críticas dos Modelos Fundamentais de Séries Temporais (TSFMs) e das abordagens atuais de Geração Aumentada por Recuperação (RAG) ao serem aplicados em cenários industriais de alta responsabilidade, especificamente na Manutenção Preditiva da Válvula de Regulação e Desligamento de Pressão (PRSOV) em aeronaves comerciais.

Três características fundamentais desafiam os paradigmas de previsão convencionais neste domínio:

Escassez de Dados: Regimes operacionais críticos (como a fase de regulação de pressão durante a decolagem) ocorrem raramente (apenas uma vez por ciclo de voo), resultando em poucos dados de treinamento para modelos profundos.
Sequências Transientes Curtas: Os regimes de interesse consistem em janelas de tempo extremamente breves (ex: 18 pontos de dados em 10 segundos), insuficientes para a maioria dos modelos extraírem padrões temporais confiáveis.
Dinâmicas Acopladas de Covariáveis: A variável alvo (Pressão do Coletor - MP) não é autônoma; é passivamente impulsionada por covariáveis externas (Velocidade do Rotor N2 e Pressão Intermediária IP). Ignorar essas relações físicas leva a previsões inconsistentes com a lógica do sistema.

Limitações das Abordagens Existentes:

Embeddings Estáticos: Métodos RAG atuais (como TimeRAF e TS-RAG) dependem de vetores estáticos gerados por aprendizados. Isso distorce transientes curtos (devido ao preenchimento/padding) e falha em distinguir regimes similares quando os dados são escassos.
Falta de Lógica de Covariáveis: A recuperação baseada apenas na similaridade visual da variável alvo ignora as forças motrizes (covariáveis), podendo recuperar contextos historicamente similares, mas fisicamente irrelevantes.
Dependência de Dados para Ajuste: Adaptadores aprendíveis exigem dados que, por definição, não existem nesses cenários de escassez.

2. Metodologia: RAG4CTS

Os autores propõem o RAG4CTS, um framework de RAG nativo para séries temporais, livre de treinamento (training-free) e consciente de regimes. O sistema é composto por três pilares principais:

A. Base de Conhecimento Hierárquica Nativa (Hierarchical Knowledge Base)

Em vez de usar bancos de dados vetoriais que exigem fragmentação ou preenchimento, o sistema armazena registros brutos de regimes operacionais em uma estrutura de árvore hierárquica (Grupo -> Dispositivo -> Regime -> Série).
Isso preserva a integridade física e a precisão numérica das séries temporais curtas, permitindo a recuperação direta de dados brutos sem perda de informação.

B. Mecanismo de Recuperação Nativo de Séries Temporais (Two-Stage Bi-Weighted Retrieval)
O sistema opera diretamente no espaço de dados brutos, utilizando um mecanismo de duas etapas com ponderação dupla:

Ponderação de Pontos Críticos (Critical Point Weighting): Prioriza estados recentes do sistema e entradas de controle futuras conhecidas (covariáveis), enquanto mascara os valores futuros desconhecidos da variável alvo.
Ponderação de Covariáveis (Covariate Weighting): Utiliza Informação Mútua (MI) para quantificar a influência causal de cada covariável sobre o alvo. Isso garante que a recuperação priorize segmentos onde as forças motrizes (N2 e IP) são fisicamente consistentes com a consulta.
Filtragem em Duas Etapas:
- Etapa 1 (Alinhamento de Forma): Usa similaridade de cosseno ponderada para encontrar candidatos com a mesma tendência evolutiva.
- Etapa 2 (Precisão de Estado): Usa a distância do Matrix Profile ponderada para garantir fidelidade numérica absoluta, selecionando os Top-K candidatos mais precisos.

C. Estratégia de Augmentação de Contexto Acionada por Agente (Agent-driven Context Augmentation)

Em vez de usar um número fixo de contextos recuperados, o sistema emprega uma estratégia auto-supervisionada.
O Top-1 (amostra mais relevante) atua como um "Agente" com seu futuro conhecido. O sistema realiza uma busca gulosa para determinar o número ótimo de fragmentos de contexto ( $k^*$ ) que minimizam o erro de previsão ao serem concatenados ao agente.
Essa configuração ótima é então aplicada à consulta do usuário, adaptando-se dinamicamente à complexidade de cada caso.

3. Contribuições Principais

Primeiro Estudo de RAG para TSFM com Covariáveis: Introduz um framework específico para séries temporais industriais onde as covariáveis são fundamentais para a física do sistema.
Armazenamento e Recuperação Nativa: Propõe uma base de conhecimento hierárquica que evita a distorção de dados de transientes curtos, eliminando a necessidade de padding ou embeddings estáticos.
Mecanismo de Recuperação Físico: Desenvolve um mecanismo de ponderação dupla que alinha a recuperação não apenas visualmente, mas através da lógica de controle causal (covariáveis).
Augmentação Dinâmica: Substitui hiperparâmetros fixos por uma estratégia de agente que otimiza automaticamente a quantidade de contexto para cada previsão.
Implementação Industrial Real: O sistema foi totalmente implantado na China Southern Airlines dentro do Apache IoTDB, demonstrando viabilidade em produção.

4. Resultados

Os experimentos foram conduzidos no conjunto de dados CSA-PRSOV, cobrindo aeronaves B777 e A320.

Desempenho de Previsão: O RAG4CTS superou significativamente os baselines de ponta (incluindo modelos profundos como PatchTST, TimeMixer e TSFMs como Chronos-2).
- Redução drástica no Erro Quadrático Médio (MSE) e Erro Absoluto Médio (MAE). Por exemplo, no conjunto B777L, o MSE caiu de 0.254 (DLinear) e 1.542 (Chronos-2 Zero-shot) para 0.058 com o RAG4CTS.
Análise de Ablação:
- A estratégia de ponderação dupla (Pontos + Covariáveis) foi crucial, superando ponderações uniformes ou apenas temporais.
- A combinação de métricas de recuperação (Cosseno + Matrix Profile) mostrou-se superior a métricas únicas ou ao uso de DTW (que distorce a temporalidade rígida necessária).
- A estratégia dinâmica de seleção de contexto ( $k^*$ ) superou o uso de um número fixo de contextos.
Validação Industrial (Estudo de Caso):
- Desde a implantação em novembro de 2025, o sistema monitorou a frota em tempo real.
- Em dois meses de operação online, identificou com sucesso uma falha confirmada de PRSOV (na aeronave B-2**7) com zero falsos positivos.
- O sistema conseguiu detectar sintomas de degradação (oscilações no MSE) dias antes da falha funcional, permitindo manutenção proativa.

5. Significado e Impacto

Este trabalho representa um avanço significativo na aplicação de IA generativa em setores industriais críticos.

Superação da Escassez de Dados: Demonstra que é possível realizar previsões de alta precisão em cenários de "Cold Start" e dados escassos sem fine-tuning pesado, utilizando a recuperação de regimes históricos físicos.
Integração Física-AI: Ao incorporar a lógica de covariáveis diretamente no mecanismo de recuperação, o modelo respeita as leis físicas do sistema, evitando previsões "alucinadas" comuns em TSFMs genéricos.
Viabilidade Operacional: A integração bem-sucedida no Apache IoTDB e a detecção real de falhas na China Southern Airlines validam que a tecnologia RAG para séries temporais está pronta para sair do laboratório e resolver problemas reais de manutenção preditiva, reduzindo custos de atrasos técnicos e melhorando a segurança aérea.