FLAIRR-TS：基于迭代优化与检索的 LLM 智能体时间序列预测
计算与语言
2025-08-28 v1 人工智能
摘要
利用大型语言模型（LLM）进行时间序列预测需要将数值模式与自然语言相连接。在 LLM 上进行有效预测通常依赖于大量的预处理和微调。近期研究表明，当提供精心设计的自然语言提示时，冻结的 LLM 可以媲美专业的预测模型，但为每个任务手工设计这样的提示既繁琐又具有随意性。我们提出了 FLAIRR-TS，一个测试时提示优化框架，它利用一个智能体系统：预测智能体使用初始提示生成预测，随后由优化智能体根据历史输出和检索到的相似样例对其进行优化。这种自适应提示通过创造性的提示模板跨领域泛化，并在无需中间代码生成的情况下产生高质量预测。在基准数据集上的实验表明，其准确率优于静态提示和检索增强基线，接近专用提示的性能。FLAIRR-TS 提供了一种替代微调的实用方案，通过其智能体方法实现自适应提示优化与检索，从而获得强大的性能。
引用
@article{arxiv.2508.19279,
title = {FLAIRR-TS -- Forecasting LLM-Agents with Iterative Refinement and Retrieval for Time Series},
author = {Gunjan Jalori and Preetika Verma and Sercan Ö Arık},
journal= {arXiv preprint arXiv:2508.19279},
year = {2025}
}
备注
EMNLP