通过解耦感知和推理进行零样本时间序列问答

时间序列问答 (TSQA) 需要将语言查询和多种答案格式建立在复杂的数值观察中。然而，现有的方法严重过度适应特定的数据集，并且当输入序列、问题上下文和答案要求同时变化时难以泛化。为了应对这一挑战，我们提出了 TSHarness，这是一个Agentic框架，它为跨数据集零样本 TSQA 建立了解耦工作流程。 TSHarness的核心是通过结构化的时间序列感知状态 (TPS) 来划分和征服数字感知和上下文推理。在可重复使用的分析知识记忆的指导下，学习的工具选择器自适应地调用数值工具将显着的统计和时间特征提取到 TPS 中。然后，应答的智能体对 TPS 执行语义推理以生成目标输出，当证据被认为不足时，通过反馈循环触发迭代重新感知。通过将数字特征提取与特定问题的推理分开，TSHarness消除了对目标端训练或答案反馈的需求，为零样本 TSQA 提供了可推广、经济高效的基础。