MemCast：基于经验条件推理的记忆驱动时间序列预测
机器学习
2026-02-04 v1 人工智能
摘要
时间序列预测（TSF）在众多实际应用中发挥关键决策作用。近期 LLM 基预测模型取得了显著进展。尽管效果显著，现有方法往往缺乏显式的经验积累与持续演化。本文提出MemCast——一种学习-记忆框架，将TSF 问题重构为经验条件推理任务。具体地，我们从训练集中学习经验，组织成层次化记忆：通过总结预测结果形成历史模式，通过提炼推理轨迹提炼推理智慧，通过归纳提取的时序特征诱导出普遍规律。推理时，我们利用历史模式引导推理过程，运用推理智慧选择更优轨迹，同时普遍规律作为反思迭代的准则。为实现持续演化，我们设计了动态置信度适应策略，对 individual 条目置信度进行更新，而不泄露测试集分布。多个数据集上的大规模实验表明，MemCast 均显著优于现有方法，验证了方法的有效性。我们的代码已公开于https://github.com/Xiaoyu-Tao/MemCast-TS。
引用
@article{arxiv.2602.03164,
title = {MemCast: Memory-Driven Time Series Forecasting with Experience-Conditioned Reasoning},
author = {Xiaoyu Tao and Mingyue Cheng and Ze Guo and Shuo Yu and Yaguo Liu and Qi Liu and Shijin Wang},
journal= {arXiv preprint arXiv:2602.03164},
year = {2026}
}