JudgeCast：基于经验的协变量判断进行时间序列预测

协变量效应因环境而异，并随着时间的推移而变化，要求预测者评估如何将它们用于每个预测环境。随着预测的进行，早期预测的观察结果变得可用，为后续预测提供有关过去协变量使用的反馈。然而，当多个协变量一起作用时，预测误差揭示了与观测值的数值差异，但并未揭示应如何使用协变量。我们介绍 JudgeCast，一个基于经验的协变量时间序列预测框架。遵循判断调整实践，冻结的 TSFM 提供基本预测，而冻结的 LLM 使用当前背景和相关经验来调整它。在调整过程中，评估协变量效应和确定数值调整起着不同的作用，因此 JudgeCast 首先形成明确的协变量判断，然后确定调整。观察后，JudgeCast 使用观察到的基本预测残差来重建替代判断，并通过调整结果来评估原始判断和替代判断。选择并保留表现最佳的决策，作为后续预测的验证经验。在不同的现实世界数据集中，JudgeCast 的表现优于强大的基线。消融表明，明确的协变量判断可以改善预测时间调整，而残差引导的经验构建比保留原始决策作为经验能产生更可靠的预测收益。