arXiv cs.AI· Bokai Pan, Mingyue Cheng, Xiaoyu Tao, Zhiding Liu, Shuo Yu, Yuchong Wu, Qi Liu, Defu Lian, Enhong Chen·· 11 小时前AI 评分34
CastFlow：在智能体时间序列预测中打通证据获取与精准预测
CastFlow: Bridging Evidence Acquisition and Accurate Prediction in Agentic Time Series Forecasting
AI 导读
CastFlow 是一个角色分工的智能体预测框架，用 Experience Memory 从训练数据中提炼成功工具调用轨迹，引导冻结的 LLM 调度多视角工具包获取证据，再由轻量专用 LLM 基于证据做时间推理以修正集成预测先验。该专用模型采用监督微调加可验证奖励强化学习的两阶段训练，以整体工作流的最终预测结果驱动优化。在十个真实基准上，CastFlow 于九个数据集优于竞争基线，代码已开源。
正文 · AI 翻译
摘要：时间序列预测是时序数据分析中的一项基础任务，而基于大语言模型（LLM）的智能体通过自主工具交互与基于证据的推理，提供了一种颇具前景的范式。然而，仍存在两个根本性挑战：如何通过自适应工具交互获取与预测相关的证据，以及如何将此类证据转化为准确的数值预测。为应对这些挑战，我们提出 CastFlow，一个角色专门化的智能体预测框架，旨在衔接通用工具推理与专门化时序预测。具体而言，CastFlow 引入经验记忆，从训练数据中提炼成功的工具使用轨迹，引导一个冻结的 LLM 编排多视图工具包以获取证据。随后，一个轻量级专门化 LLM 执行基于证据的时序推理，以精炼集成预测先验。为增强这一能力，我们开发了一种两阶段训练策略，结合监督微调与带可验证奖励的强化学习，其中整个工作流的最终预测结果指导专门化模型的优化。在十个真实世界基准上的大量实验表明，CastFlow 在九个数据集上优于竞争性基线。我们的发现凸显了衔接自主证据获取与专门化时序推理对于准确且自适应的智能体预测的重要性。源代码见 this https URL。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2604.27840 [cs.LG] |
| （或 arXiv:2604.27840v3 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2604.27840 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Bokai Pan [查看邮箱]
[v1]
2026年4月30日 周四 13:24:42 UTC（15,646 KB）
[v2]
2026年5月4日 周一 08:56:40 UTC（15,648 KB）
[v3]
2026年10月16日 周五 03:01:02 UTC（2,174 KB）
来源：arXiv cs.AI · arxiv.org