尽管时间序列扩散模型在许多最新的研究中受到了广泛关注，但现有模型的性能仍然非常不稳定。限制时间序列扩散模型的因素包括时间序列数据集不足以及缺乏指导。为了解决这些限制，我们提出了一种检索增强时间序列扩散模型（RATD）。RATD 框架由两个部分组成：基于嵌入的检索过程和参考引导的扩散模型。在第一部分中，RATD 从数据库中检索与历史时间序列最相关的时间序列作为参考。这些参考在第二部分中被用于指导去噪过程。我们的方法通过利用数据库中的有意义样本来辅助采样，从而最大化数据集的利用率。同时，这种参考引导机制也弥补了现有时间序列扩散模型在指导方面的不足。在多个数据集上的实验和可视化结果展示了我们方法的有效性，尤其是在复杂的预测任务中。我们的代码已发布在：

https://github.com/stanliu96/RATD