Semantic VectorDB-enabled transfer-learning for time-series forecasting

This thesis focuses on time-series forecasting under data scarcity con ditions by introducing S-VETT, an evolution of the VETT framework based on semantic domain alignment. The primary objective is to overcome the structural limitations of statistically-driven retrieval systems that fail when target sequences are too short to produce reliable metrics, providing a stable forecasting solution for cold-start scenarios. Experimental results show that the framework improves re trieval quality and forecasting accuracy in limited-data settings. Under conditions of extreme data scarcity, S-VETT outperforms the predecessor VETT architecture and the evaluated state-of-the-art deep learning models. The findings demonstrate that natural-language descriptions contain concrete predictive value; when numeri cal history is insufficient to capture temporal dynamics, semantic information serves as a robust proxy for domain similarity to enable accurate cross-domain knowledge transfer.

Questa tesi si concentra sulla previsione di serie temporali in condizioni di scarsità di dati introducendo S-VETT, un’evoluzione del framework VETT basata sull’allineamento semantico del dominio. L’obiettivo primario è superare i limiti strutturali dei sistemi di recupero di tipo statistico, i quali falliscono quando le sequenze target sono troppo brevi per produrre metriche affidabili, fornendo una soluzione di previsione stabile per gli scenari di cold-start. I risultati sperimentali mostrano che il framework migliora la qualità del recupero e l’accuratezza delle previsioni in contesti con dati limitati. In condizioni di elevata scarsità di dati, S-VETT supera la precedente architettura VETT e i modelli di deep learning allo stato dell’arte valutati. I risultati dimostrano che le descrizioni in linguaggio naturale contengono un valore predittivo concreto; quando lo storico numerico è insufficiente per catturare le dinamiche temporali, l’informazione semantica funge da solido proxy per la similarità di dominio, consentendo un accurato trasferimento di conoscenza cross-domain.