CastFlow：学习用于时间序列预测的角色专用代理工作流程

最近，大语言模型（LLM）在时间序列预测方面显示出了巨大的前景。然而，大多数现有的基于 LLM 的预测方法仍然遵循静态生成范式，在一次传递中直接将历史观测值映射到未来值。在这种范式下，预测受到有限的时间模式提取、单轮上下文特征获取、一次性预测生成以及缺乏集合预测支持的限制。为了解决这些限制，在这项工作中，我们提出了 CastFlow，一种动态代理预测框架，可以实现多视图时间模式提取、多轮上下文特征获取、迭代预测细化以及集成预测进行预测。首先，CastFlow将预测流程组织为计划、行动、预测、反思，建立代理工作流程。其次，该工作流程由检索先前经验的内存模块和构建诊断证据并提供可靠的集合预测基线的多视图工具包支持。第三，CastFlow采用角色专业化设计，将通用推理与专业数值预测相结合。在这种设计下，冻结的 LLM 保留了通用推理，而经过微调的特定领域 LLM 根据集合预测基线执行证据引导的数值预测，而不是从头开始。为了优化微调的特定领域 LLM，我们进一步开发了一种两阶段的面向工作流程的训练，将监督 微调 (SFT) 和具有可验证奖励的强化学习 (RLVR) 结合起来。为了评估 CastFlow 的有效性，我们对不同的数据集进行了广泛的实验，并表明它在强大的基线上取得了优异的总体结果。我们希望这项工作能够成为朝着更具适应性和更准确的时间序列预测迈出的一步。