借助 LLM-Agents 提升时间序列预测
机器学习
2025-11-27 v2 人工智能
摘要
大型语言模型（LLM）驱动的智能体已成为自动机器学习（AutoML）系统中有效的规划器。虽然大多数现有 AutoML 方法专注于自动化特征工程和模型架构搜索，但近期研究表明，轻量级模型往往在时间序列预测中可实现最先进的性能。这一观察促使我们探索数据质量而非模型架构作为时间序列 AutoML 的潜在有前景方向。我们提出 DCATS，即面向时间序列的数据中心智能体。DCATS 利用伴随时间序列的元数据，在清理数据并优化预测性能之间进行权衡。我们在大规模交通量预测数据集上使用四个时间序列预测模型评估了 DCATS。结果表明，DCATS 在所有测试模型和时间范围内实现平均 6% 的误差降低，凸显了时间序列预测 AutoML 中数据中心方法的潜力。
引用
@article{arxiv.2508.04231,
title = {Empowering Time Series Forecasting with LLM-Agents},
author = {Chin-Chia Michael Yeh and Vivian Lai and Uday Singh Saini and Xiran Fan and Yujie Fan and Junpeng Wang and Xin Dai and Yan Zheng},
journal= {arXiv preprint arXiv:2508.04231},
year = {2025}
}