TIMERSI: Towards Self-Improved Agentic Deployment for Time-Series Foundation Models

📄 arXiv: 2610.19725v1 📥 PDF

作者: Haoxin Liu, Deqing Fu, Lucheng Fu, Yiqiao Jin, Rushi Qiang, Harshavardhan Kamarthi, B. Aditya Prakash

分类: cs.LG

发布日期: 2026-10-14

💡 一句话要点

提出TIMERSI以解决时间序列模型部署中的任务特定设计问题

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

关键词: 时间序列预测 自我改进 代理系统 模型部署 反馈机制 适应性选择

📋 核心要点

  1. 现有的时间序列模型在实际应用中需要任务特定的设计，直接推断无法有效解决领域知识和预测错误的问题。
  2. TIMERSI通过自我改进的代理系统，利用编码代理将任务描述转化为可执行的流程，并通过历史数据反馈优化预测流程。
  3. 在TIME和FEV-bench的198个任务上，TIMERSI在六个预测指标上均优于所有其他提交，验证了反馈指导修订的有效性。

📝 摘要（中文）

时间序列基础模型在零样本预测方面表现出色，但在实际应用中，模型输入和输出的任务特定设计仍然是一个挑战。直接推断可能无法解决领域知识和重复预测错误，而定制化流程则需要大量人力专家的投入。为此，本文提出了TIMERSI，一个围绕冻结预测模型的自我改进代理部署系统。该系统通过编码代理将任务描述转换为可执行的流程变更，并在历史预测窗口上测试每个修订，利用观察到的错误指导后续修订。在部署过程中，适应性选择器根据相似条件下的完成预测选择最佳流程。实验表明，TIMERSI在198个任务上超越了所有提交的六个点和概率预测指标。

🔬 方法详解

问题定义：本文旨在解决时间序列基础模型在实际部署中面临的任务特定设计问题。现有方法往往无法有效利用领域知识，导致重复预测错误未能得到解决。

核心思路：TIMERSI的核心思路是构建一个自我改进的代理系统，通过编码代理将任务描述转化为可执行的流程变更，并利用历史数据反馈来优化这些流程。这样的设计旨在减少人工干预，提高模型在实际应用中的适应性和准确性。

技术框架：TIMERSI的整体架构包括编码代理、历史预测窗口测试和适应性选择器三个主要模块。编码代理负责将任务描述转换为流程变更，历史预测窗口用于测试这些变更的效果，而适应性选择器则根据相似条件下的预测结果选择最佳流程。

关键创新：TIMERSI的主要创新在于其自我改进的能力，通过反馈指导修订流程，显著提升了预测的准确性和适应性。这一方法与传统的非迭代流程搜索方法本质上不同，能够更有效地利用历史数据进行优化。

关键设计：在设计中，TIMERSI使用了特定的损失函数来评估预测误差，并通过历史数据的反馈来调整流程参数。此外，编码代理的设计允许灵活地处理不同类型的任务描述，从而增强了系统的通用性。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

在TIME和FEV-bench的198个任务中，TIMERSI在六个点和概率预测指标上均超越了所有其他提交，显示出显著的性能提升。实验结果表明，反馈指导的修订方法相比于传统的非迭代流程搜索方法具有明显的优势，进一步验证了TIMERSI的有效性和实用性。

🎯 应用场景

TIMERSI的研究成果具有广泛的应用潜力，尤其在金融预测、气象预报和供应链管理等领域。通过提高时间序列模型的适应性和准确性，TIMERSI能够帮助企业和机构在复杂环境中做出更为精准的决策，提升运营效率。未来，该系统的自我改进能力也可能推动更多智能化应用的发展。

📄 摘要（原文）

Time-series foundation models provide strong zero-shot forecast, but deployment for real- world applications still requires task-specific designs for model inputs and outputs. Direct inference can leave domain knowledge and re- curring forecast errors unaddressed, while tai- lored pipelines require substantial human ex- pertise and effort. We introduce TIMERSI, a self-improving agentic deployment system around frozen forecasting models. A cod- ing agent translates task descriptions into ex- ecutable pipeline changes. It tests each re- vision on historical forecasting windows and uses observed errors to guide subsequent re- visions. During deployment, an adaptive se- lector chooses among the resulting pipelines using completed forecasts under similar con- ditions. Across 198 tasks on TIME and FEV- bench, TIMERSI outperforms all submissions on six point and probabilistic forecasting met- rics. Controlled comparisons support the value of feedback-guided revision over non-iterative pipeline search. Further experiments verify the generalization with different coding agents and forecasting models.