以LLM智能体弥合时间序列预测的最后一公里

时间序列预测发展迅速，特别是随着在数值外推方面表现出强大的零样本性能的基础模型的出现。然而，在现实世界的预测环境中，统计上合理的基线很少是实践中使用的最终预测。在预测可供决策之前，通常需要使用弱结构化的业务环境（例如假期影响、活动计划、外部事件、历史类比和专家反馈）对其进行修改。在预测文献中，这一实际阶段仍未得到充分探索。在本文中，我们将这一阶段表述为 \textbf{最后一英里预测} 问题，并提出了一个位于预测主干之上的 LLM 代理框架。我们的系统维护一个统一的预测工作空间，调用工具来检索上下文证据，并将推理轨迹转换为结构安全约束下的明确的预测修正操作。它还支持通过映射归约式分解进行长期预测，并通过内存库进行事后反射。由此产生的系统被设计为可控和可审计的。通过现实世界的案例研究，我们展示了大语言模型代理如何弥合统计预测和业务就绪预测之间的差距。