SEA-TS：用于时间序列预测算法自主代码生成的自进化Agent

准确的时间序列预测支撑着跨领域的决策，但传统的机器学习开发面临新部署中的数据稀缺、分布转移下的适应性差以及手动迭代的收益递减等问题。我们提出了时间序列算法的自进化代理（SEA-TS），这是一个通过迭代自进化循环自主生成、验证和优化预测代码的框架。我们的框架引入了三个关键创新：（1）度量优势蒙特卡罗树搜索（MA-MCTS），它用标准化优势分数取代固定奖励，以进行判别性搜索指导； (2) 运行提示细化的代码审查，其中每个执行的解决方案都会经过自动审查，然后及时更新，对纠正模式进行编码，防止类似错误再次发生； （3）全局可引导推理，将每个节点与全局最佳和最差解决方案进行比较，从而实现跨轨迹知识转移。我们采用 MAP-精英档案来实现架构多样性。在公共 Solar-Energy 基准测试中，SEA-TS 生成的代码相对于 TimeMixer 实现了 40% 的 MAE 降低，超越了最先进的方法。在专有数据集上，与人工设计的基线相比，SEA-TS 生成的代码将太阳能光伏预测的 WAPE 降低了 8.6%，住宅负荷预测的 WAPE 降低了 7.7%，负荷预测的 MAPE 达到了 26.17%，而 TimeMixer 的 MAPE 为 29.34%。值得注意的是，进化后的模型发现了新颖的架构模式，包括编码太阳辐照度约束的物理信息单调衰变头、每个站点学习的昼夜周期剖面以及可学习的每小时偏差校正，这表明自主机器学习工程可以产生超越手动设计的真正新颖的算法思想。