Nexus：面向时间序列预测的智能体框架

时间序列预测不仅是数值外推，通常还需要结合新闻或事件等非结构化上下文数据进行推理。尽管专门的时间序列基础模型（TSFM）擅长基于数值模式进行预测，但它们对真实世界的文本信号毫无感知。相反，虽然 LLM 正作为零样本预测器兴起，但其性能在不同领域和上下文基础方面仍参差不齐。为弥合这一差距，我们引入了 Nexus，一个多智能体预测框架，将预测分解为专业化阶段：分离宏观与微观时间波动，并在可用时整合上下文信息，最后综合得出最终预测。这种分解使 Nexus 能够从季节性信号适应到波动的事件驱动信息，而无需依赖外部统计锚点或单体提示。我们表明，当代 LLM 具备比以往认知强得多的内在预测能力，其关键取决于数值与上下文推理的组织方式。在严格晚于 LLM 知识截止日期的数据上进行评估，涵盖 Zillow 房地产指标和波动股票市场股票，Nexus 始终匹配或超越最先进的 TSFM 和强大的 LLM 基线。除了数值准确性外，Nexus 还生成了高质量的推理轨迹，明确展示了每次预测背后的基本驱动因素。我们的结果表明，真实世界预测是一个远超纯序列建模的智能体推理问题。