对话式时间序列基础模型：面向可解释且有效的预测
人工智能
2025-12-19 v1
摘要
时间序列基础模型的不断涌现导致没有单一方法能够持续优于他人，这构成了核心挑战：而不是寻找最佳模型，而是要协调最优的集成并保持可解释性。虽然大型语言模型（LLM）提供了强大的推理能力，但其直接应用于时间序列预测效果不佳。我们弥补这一差距的方法是将 LLM 重新定位为一个智能评判家，对集成的基础模型进行评估、解释和战略性协调。为克服 LLM 内在缺乏时间序列领域知识的不足，我们引入一种 R1 风格的微调过程，依据基于 SHAP 的忠诚度得分进行引导，使模型能够将集成权重解释为关于时间动态的有意义的因果语句。经过训练的智能体随后参与迭代的多轮对话，以执行前瞻性评估、提供基于因果的解释以说明其权重决策，并自适应地细化优化策略。在 GIFT-Eval 標準測試的 23 個數據集的 97 個設定下，我們的方法在 CRPS 和 MASE 指標上均遠超領先的時間序列基礎模型，建立了新的 SOTA 成績。
引用
@article{arxiv.2512.16022,
title = {Conversational Time Series Foundation Models: Towards Explainable and Effective Forecasting},
author = {Defu Cao and Michael Gee and Jinbo Liu and Hengxuan Wang and Wei Yang and Rui Wang and Yan Liu},
journal= {arXiv preprint arXiv:2512.16022},
year = {2025}
}
备注
31Pages