Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting
作者: Mingyue Cheng, Xiaoyu Tao, Qi Liu, Ze Guo, Enhong Chen
分类: cs.LG
发布日期: 2026-02-02
💡 一句话要点
提出Agentic时间序列预测，将模型中心范式转变为智能体驱动的工作流
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 时间序列预测 智能体 强化学习 工作流 自适应预测
📋 核心要点
- 传统时间序列预测方法在自适应和多轮交互场景下存在不足，难以进行有效的特征提取、推理和持续学习。
- 论文提出Agentic时间序列预测（ATSF）框架，将预测过程建模为智能体的感知、规划、行动、反思和记忆循环。
- ATSF强调构建智能体工作流，通过与外部工具交互、整合反馈和经验积累，实现更灵活和智能的预测。
📝 摘要（中文）
传统的时间序列预测通常被视为一个模型中心、静态和单次预测问题，即将历史观测映射到未来值。虽然这种范式推动了显著的进步，但它在自适应和多轮设置中显得不足，因为在这些场景下，预测需要信息丰富的特征提取、推理驱动的推断、迭代优化以及随时间的持续适应。本文倡导Agentic时间序列预测（ATSF），它将预测重新定义为一个由感知、规划、行动、反思和记忆组成的智能体过程。ATSF强调将预测组织成一个智能体工作流，该工作流可以与工具交互、整合来自结果的反馈，并通过经验积累不断发展，而不是仅仅关注预测模型。我们概述了三种具有代表性的实现范式——基于工作流的设计、智能体强化学习和混合智能体工作流范式——并讨论了从模型中心预测转向智能体预测时出现的机遇和挑战。总而言之，本文旨在将智能体预测确立为未来时间序列预测交叉领域研究的基础。
🔬 方法详解
问题定义：传统时间序列预测方法主要关注构建精确的预测模型，而忽略了预测过程中的交互性和适应性。在实际应用中，时间序列预测往往需要根据环境变化和反馈进行调整，例如库存管理、需求预测等场景。现有方法的痛点在于无法有效地利用外部信息、进行多轮推理和持续学习，导致预测精度和鲁棒性不足。
核心思路：论文的核心思路是将时间序列预测问题重新定义为一个智能体（Agent）与环境交互的过程。智能体通过感知历史数据和环境信息，进行规划和决策，执行预测行动，并根据预测结果进行反思和学习。这种Agentic的视角使得预测过程更加灵活和智能，能够更好地适应复杂和动态的环境。
技术框架：ATSF框架包含以下主要模块：1) 感知模块：负责从历史数据和外部环境中提取有用的特征；2) 规划模块：根据感知到的信息，制定预测策略和行动计划；3) 行动模块：执行预测行动，生成预测结果；4) 反思模块：评估预测结果，并根据反馈调整预测策略；5) 记忆模块：存储历史经验和知识，用于指导未来的预测。论文提出了三种实现范式：基于工作流的设计、智能体强化学习和混合智能体工作流范式。
关键创新：ATSF框架的关键创新在于将时间序列预测问题从模型中心范式转变为智能体驱动的工作流。与传统方法相比，ATSF能够更好地利用外部信息、进行多轮推理和持续学习，从而提高预测精度和鲁棒性。此外，ATSF框架还具有更强的可解释性和可扩展性，能够适应不同的应用场景。
关键设计：论文中提到的三种实现范式各有侧重。基于工作流的设计侧重于人工设计智能体的工作流程，例如使用预定义的规则和策略进行预测。智能体强化学习则侧重于通过强化学习算法训练智能体，使其能够自主学习预测策略。混合智能体工作流范式则结合了人工设计和强化学习的优点，例如使用人工设计的规则进行初始化，然后通过强化学习进行优化。具体的参数设置、损失函数、网络结构等技术细节取决于具体的实现范式和应用场景。
🖼️ 关键图片
📊 实验亮点
由于是position paper，论文主要提出了ATSF的概念框架和未来研究方向，并没有提供具体的实验结果。论文讨论了三种实现范式，并指出了从模型中心预测转向智能体预测时存在的机遇和挑战。未来的研究可以围绕这些范式展开，例如设计更有效的智能体工作流、开发更强大的强化学习算法、以及探索ATSF在不同领域的应用。
🎯 应用场景
Agentic时间序列预测在多个领域具有广泛的应用前景，例如供应链管理、金融风险预测、能源需求预测、智能交通等。通过构建智能体工作流，可以实现更精准、更鲁棒的预测，从而提高决策效率和降低风险。未来，ATSF有望成为时间序列预测领域的重要发展方向，推动相关技术的创新和应用。
📄 摘要（原文）
Time series forecasting has traditionally been formulated as a model-centric, static, and single-pass prediction problem that maps historical observations to future values. While this paradigm has driven substantial progress, it proves insufficient in adaptive and multi-turn settings where forecasting requires informative feature extraction, reasoning-driven inference, iterative refinement, and continual adaptation over time. In this paper, we argue for agentic time series forecasting (ATSF), which reframes forecasting as an agentic process composed of perception, planning, action, reflection, and memory. Rather than focusing solely on predictive models, ATSF emphasizes organizing forecasting as an agentic workflow that can interact with tools, incorporate feedback from outcomes, and evolve through experience accumulation. We outline three representative implementation paradigms -- workflow-based design, agentic reinforcement learning, and a hybrid agentic workflow paradigm -- and discuss the opportunities and challenges that arise when shifting from model-centric prediction to agentic forecasting. Together, this position aims to establish agentic forecasting as a foundation for future research at the intersection of time series forecasting.