当明天变成今天：代理时间序列预测的自我演化策略

代理时间序列预测涉及其底层机制不断演变的系统，使得数值模型、推理策略和干预规则的相对有效性本质上随时间变化。因此，时间序列代理必须调整它生成的预测以及确定信任哪些组件以及如何协调它们的编排策略。随着预测范围的流逝和实现的目标揭示早期决策的有效性，部署过程自然会为这种适应提供监督。在目标观察之前提交所有数值专家预测和候选代理路径，允许每个实现的结果评估整个替代集，提供延迟反馈而无需额外注释。然而，现有的时间序列代理主要通过预测细化、反思或检索来整合先前的经验，而没有系统地将实现的结果转换为对管理后续起源的联合编排策略的持续更新。为了系统地利用这种延迟反馈，我们引入了 TimEvolve，一种冻结主干时间序列代理，它将每个实现的结果转换为专家信任、代理路径选择和干预强度的持久联合更新。按时间排序的预测、揭示和更新协议将此反馈应用于后续预测。跨 8 个 Time-MMD 域的实验表明，TimEvolve 在 15 种方法中实现了最佳的平均 MSE 和 MAE 排名，并且在 7 个域中的两个指标上实现了最低的错误。这些结果证明了从部署过程中遇到的未来学习预测策略的价值。