SEA-TS：面向时间序列预测算法的自演化智能体
人工智能
2026-03-09 v2
摘要
准确的时间序列预测支撑于决策在多个领域，但常规机器学习开发在新部署中受数据稀缺限制、分布迁移下适应性差以及人工迭代收益递减。我们提出Self-Evolving Agent for Time Series Algorithms（SEA-TS），一个框架，通过迭代自演化循环自主生成、验证和优化预测代码。我们的框架引入了三个关键创新：（1）Metric-Advantage Monte Carlo Tree Search（MA-MCTS），用归一化优势得分取代固定奖励，以实现判别性搜索指导；（2）带运行提示精炼的代码审查，每个执行的解决方案都经过自动审查，然后更新提示以编码纠正模式，防止类似错误的重复发生；（3）全局可调推理，比较每个节点与全球最佳和最差解决方案，实现跨轨迹知识传递。我们采用MAP-Elites档案库实现架构多样性。在公开的Solar-Energy基准测试中，SEA-TS生成的代码相对于TimeMixer实现了40%的MAE降低，超越了领先的方法。在专有数据集上，SEA-TS生成的代码相对于人工工程基线，太阳能PV预测中WAPE降低8.6%，住宅负荷预测中降低7.7%，并实现负荷预测的26.17%MAPE，而TimeMixer为29.34%。值得注意的是，进化模型发现了新的架构模式——包括面向太阳 irradiance约束的physics-informed单调衰减头、每个车站学习的昼夜循环概要，以及可学习的每小时偏差校正——表明自主机器学习工程可以生成超越手动设计的真正新的算法思想。
引用
@article{arxiv.2603.04873,
title = {SEA-TS: Self-Evolving Agent for Autonomous Code Generation of Time Series Forecasting Algorithms},
author = {Longkun Xu and Xiaochun Zhang and Qiantu Tuo and Rui Li},
journal= {arXiv preprint arXiv:2603.04873},
year = {2026}
}