论文
SEER：时间序列预测的自演化事件推理与检索
SEER: Self-Evolving Event Reasoning and Retrieval for Time Series Forecasting
摘要
现实世界的时间序列经常受到外生事件和结构变化的驱动，使得仅基于历史数值观测的传统预测是不够的。虽然语言模型可以检索外部新闻，但标准的检索增强方法却面临着高噪声、丢失信号以及无法对事件影响进行因果推理的问题。我们提出 SEER（自进化事件推理和检索），这是一个闭环框架，可以动态优化时间序列预测的事件调节。 SEER 将预测误差转化为两种解耦的反馈机制：(i) 反思性检索记忆，可细化后续搜索查询并过滤虚假噪声；(ii) 持久因果知识库，可提炼可转移的领域动态。 SEER 在事件检索和反射方面强制执行严格的时间顺序界限，防止前瞻偏差和数据泄漏。在六个不稳定的时间序列基准中，SEER 始终优于最先进的时间序列基础模型和语言模型基线。
