Cast-R1：用于时间序列预测的工具增强型顺序决策策略学习
机器学习
2026-02-17 v1
摘要
时间序列预测长期以模型中心方法为主，将预测表述为从历史观察到未来值之间的单次映射。尽管近期取得了进展，这类表述在复杂且不断演变的环境中常常难以应对，因为大多数预测模型缺乏自主获取有信息证据、推理潜在未来变化或通过迭代决策过程修订预测的能力。在本工作中，我们提出了 Cast-R1，一种将预测重新表述为顺序决策问题的时间序列预测框架。Cast-R1 引入基于记忆的状态管理机制，跨越交互步骤保持决策相关信息，使能够累积上下文证据以支持长期推理。基于该表述，预测通过工具增强型代理工作流程完成，代理器自主与模块化工具箱交互，以提取统计特征、调用轻量级预测模型进行决策支持、进行基于推理的预测，并通过自我反思不断细化预测。为训练 Cast-R1，我们采用两种学习策略：监督微调与多轮强化学习，结合课程学习方案逐步增加任务难度以改善策略学习。多个真实世界时间序列数据集上的大量实验表明，Cast-R1 的有效性得到了验证。我们希望本工作为进一步探索基于代理的方法进行时间序列建模提供实用步骤。我们的代码已公开于 https://github.com/Xiaoyu-Tao/Cast-R1-TS。
引用
@article{arxiv.2602.13802,
title = {Cast-R1: Learning Tool-Augmented Sequential Decision Policies for Time Series Forecasting},
author = {Xiaoyu Tao and Mingyue Cheng and Chuang Jiang and Tian Gao and Huanjian Zhang and Yaguo Liu},
journal= {arXiv preprint arXiv:2602.13802},
year = {2026}
}