CastFSR：面向上下文感知时间序列预测的快慢反思Agentic推理框架

时间序列预测是复杂系统决策的基础，其中未来动态不仅受历史观测的影响，还受不断变化的上下文特征影响。近年来，在大语言模型（LLMs）的帮助下，预测已经超越了数值扩展，朝着基于上下文的推理发展。然而，现有的方法往往缺乏明确机制来识别相关上下文、进行因果分析并验证预测与时间序列和领域约束之间的关系。在这项工作中，我们提出了CastFSR，这是一种具有自主性的框架，将基于上下文的时间序列预测视为快速-慢-反思的工作流程。在快速思考阶段，CastFSR通过分析观测数据并选择轻量级的预报器来构建一个基于数据驱动的预测前导。在慢决策阶段，它检索上下文证据、适应性地确定有意义的回溯窗口，并对如何上下文重塑未来动态进行推理。在反思阶段，它迭代地优化预测以确保时间序列、领域和上下文的一致性。CastFSR支持两种部署方式：一是使用现成的LLMs进行无监督推理，二是通过两阶段自监督学习（SFT）和强化学习策略，将其调度能力转移到紧凑的LLMs上。我们在公开数据集上的广泛实验表明，CastFSR在代表性基准中持续表现出色。我们的代码可在https://github.com/Xiaoyu-Tao/CastFSR处获取。