Nexus：面向时间序列预测的智能体框架

时间序列预测并非只是数值外推，往往还需要结合新闻或事件等非结构化上下文数据进行推理。专门的时间序列基础模型（TSFM）虽擅长基于数值模式进行预测，却对现实世界的文本信号视而不见。反之，尽管LLM正作为零样本预测器兴起，其表现在跨领域与上下文支撑方面仍不均衡。为弥合这一差距，我们提出Nexus，一个将预测分解为多个专门阶段的多智能体预测框架：分离宏观与微观时间波动，并在可用时整合上下文信息，再综合得出最终预测。这种分解使Nexus能够从季节性信号自适应过渡到波动剧烈的事件驱动信息，而无需依赖外部统计锚点或单一庞大的提示。我们表明，当前一代LLM的内在预测能力远比以往认知的更强，而其关键在于如何组织数值推理与上下文推理。在严格晚于LLM知识截止日期的数据上进行评估，涵盖Zillow房地产指标与波动剧烈的股市股票，Nexus始终匹配或超越最先进的TSFM与强大的LLM基线。除数值精度外，Nexus还能产出高质量推理轨迹，明确展示每次预测背后的根本驱动因素。我们的结果确立：现实世界的预测是一个智能体推理问题，远远超出单纯的序列建模。