CAARL: In-Context Learning for Interpretable Co-Evolving Time Series Forecasting

📄 arXiv: 2604.18305v1 📥 PDF

作者: Etienne Tajeuna, Patrick Asante Owusu, Armelle Brun, Shengrui Wang

分类: cs.LG

发布日期: 2026-04-20

备注: Double-columned, 8 pages, 4 figures

💡 一句话要点

提出CAARL，利用上下文学习解决可解释的协同演化时间序列预测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 时间序列预测 协同演化 上下文学习 大型语言模型 可解释性

📋 核心要点

  1. 现有时间序列预测方法难以捕捉协同演化时间序列中复杂的依赖关系和非平稳动态。
  2. CAARL将时间序列分解为自回归段，构建时间依赖图，并利用LLM进行上下文学习和预测。
  3. 实验表明，CAARL在保持预测精度的同时，显著提升了模型的可解释性，优于现有方法。

📝 摘要（中文）

本文研究了具有复杂依赖关系和非平稳动态的协同演化时间序列预测问题，并提出了一种基于大型语言模型（LLM）的新颖建模方法，名为Context-Aware ARLLM（CAARL）。CAARL提供了一个可解释的框架，用于解码影响协同演化序列变化的上下文动态。CAARL将时间序列分解为自回归段，构建时间依赖图，并将该图序列化为叙述，以便LLM处理。这种设计产生了一个类似链式思考的推理路径，其中中间步骤捕获上下文动态并以透明的方式指导预测。通过将预测与显式推理轨迹联系起来，CAARL在保持准确性的同时增强了可解释性。在真实世界数据集上的实验验证了其有效性，使CAARL成为最先进预测方法中一个有竞争力和可解释的替代方案。

🔬 方法详解

问题定义：论文旨在解决协同演化时间序列预测问题，即预测多个相互依赖的时间序列的未来值。现有方法通常难以捕捉这些序列之间复杂的动态关系和非平稳性，导致预测精度下降，且缺乏可解释性，难以理解预测结果背后的原因。

核心思路：CAARL的核心思路是将时间序列预测问题转化为一个上下文学习问题，利用大型语言模型（LLM）的强大推理能力。通过将时间序列分解为自回归段，并构建时间依赖图，将时间序列的动态关系编码成一种叙述性的形式，从而使LLM能够理解和利用这些关系进行预测。这种方法借鉴了链式思考（Chain-of-Thought）的思想，通过中间步骤捕获上下文动态，提高预测的可解释性。

技术框架：CAARL的整体框架包括以下几个主要模块： 1. 时间序列分解：将原始时间序列分解为多个自回归段，每个段内的时间序列具有相对稳定的统计特性。 2. 时间依赖图构建：基于自回归段之间的关系，构建一个时间依赖图，该图表示了时间序列之间的依赖关系和演化模式。 3. 图序列化：将时间依赖图序列化为一种叙述性的文本，以便LLM能够理解和处理。 4. LLM预测：使用LLM对序列化的文本进行推理，生成预测结果。 5. 结果解码：将LLM的输出解码为时间序列的预测值。

关键创新：CAARL最重要的创新在于其将时间序列预测问题转化为一个上下文学习问题，并利用LLM进行推理。与传统的基于统计模型或神经网络的时间序列预测方法不同，CAARL能够利用LLM的强大语言理解能力，捕捉时间序列之间复杂的依赖关系和非平稳性。此外，CAARL通过链式思考的方式，提供了可解释的预测结果，使用户能够理解预测背后的原因。

关键设计：CAARL的关键设计包括： 1. 自回归段的划分策略：如何有效地将时间序列分解为自回归段，以保证每个段内的统计特性相对稳定。 2. 时间依赖图的构建方法：如何准确地捕捉时间序列之间的依赖关系，并将其编码到时间依赖图中。 3. 图序列化的方式：如何将时间依赖图序列化为一种LLM能够理解的文本格式。 4. LLM的选择和训练：选择合适的LLM，并对其进行微调，以提高其在时间序列预测任务上的性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，CAARL在多个真实世界数据集上取得了优异的预测性能，与最先进的预测方法相比具有竞争力。更重要的是，CAARL提供了可解释的预测结果，使用户能够理解预测背后的原因，这是传统方法所不具备的。具体性能数据和对比基线在论文中详细给出。

🎯 应用场景

CAARL可应用于金融市场预测、供应链管理、能源需求预测、疾病传播建模等领域。其可解释性使得用户能够理解预测结果背后的原因，从而做出更明智的决策。未来，CAARL有望在更多需要理解复杂动态关系的时间序列预测场景中发挥重要作用。

📄 摘要（原文）

In this paper we investigate forecasting coevolving time series that feature intricate dependencies and nonstationary dynamics by using an LLM Large Language Models approach We propose a novel modeling approach named ContextAware ARLLM CAARL that provides an interpretable framework to decode the contextual dynamics influencing changes in coevolving series CAARL decomposes time series into autoregressive segments constructs a temporal dependency graph and serializes this graph into a narrative to allow processing by LLM This design yields a chainofthoughtlike reasoning path where intermediate steps capture contextual dynamics and guide forecasts in a transparent manner By linking prediction to explicit reasoning traces CAARL enhances interpretability while maintaining accuracy Experiments on realworld datasets validate its effectiveness positioning CAARL as a competitive and interpretable alternative to stateoftheart forecasting methods