论文
ReasonCast：通过推理实现可解释的时间序列预测
ReasonCast: Towards Explainable Time Series Forecasting with Reasoning
摘要
大多数时间序列（TS）模型专门针对单一任务，要么理解和（即返回关于TS的文本答案），要么生成（即返回一个数值预测）。然而，最近才有一些统一模型开始处理这两个任务在同一个架构内。尽管如此，这些模型仍然将两个输出作为任务分离的路径，并不能在一个统一的、可解释的响应中预测一个序列并解释其产生原因。在这篇文章中，我们提出了一个任务融合模型，该模型同时生成1）预测（生成）和2）自我解释（理解），从而将1）数值TS预测和2）可解释的文本推理整合到同一个响应中。为了使这项能力系统化研究，我们提出了一个基准和一个配方，共同解决这两个任务。基准ReasonTS-Bench识别了TS中的五个基本模式，并使两个任务的联合评估成为可能。我们的配方ReasonCast，用于任何LLM同时执行这两个任务，生成一个推理链和一个预测，同时在一个自回归传递中。广泛的实验表明，ReasonCast在预测准确度上优于任何LLM和TS模型，同时产生可验证的因果推理。代码可在：https://github.com/seunghan96/reasoncast.
