KairosAgent：融合语义推理的智能体时间序列预测

跨领域多模态时间序列预测是一项具有挑战性的任务，要求模型整合精确的数值理解、跨领域语义理解与有效的多模态融合。现有方法要么从头构建时间序列基础模型（TSFM），要么利用预训练大语言模型（LLM）。然而，TSFM往往忽视语义理解、缺乏进行面向未来的语义推理的能力，而LLM则在数值理解与精确量化预测上表现吃力。为克服这些局限，我们提出KairosAgent，一个新颖的多模态时间序列预测智能体框架，包含基于LLM的推理器与基于TSFM的预测器。KairosAgent通过动态调用分析工具来增强LLM的数值理解与语义推理能力，从而统一文本推理与数值预测。推理结果随后被融合进TSFM管线，实现更准确可靠的未来预测。为进一步改进推理，我们整理了一个大规模高质量轨迹语料库，并提出从预测中进行强化学习的范式，包含多轮细化与轮级贡献归因。实验表明，KairosAgent在最大化利用预训练LLM与TSFM的同时取得了卓越的零样本预测性能，为高效且可解释的时间序列智能体指明了有前景的方向。项目页面见 https://foundation-model-research.github.io/KairosAgent 。