Résumé Technique : Nexus – Un Cadre Agentique pour la Prévision de Séries Temporelles

Formulation du Problème

La prévision de séries temporelles a traditionnellement reposé sur des modèles de fondation spécialisés pour les séries temporelles (TSFM) qui excellent dans l'identification de motifs numériques, de saisonnalités et de dépendances à long terme au sein de données structurées. Cependant, ces modèles opèrent dans un « vide multimodal », échouant souvent à intégrer des signaux contextuels non structurés (par exemple, actualités, événements, résumés macroéconomiques) qui provoquent des ruptures structurelles et des changements de régime dans les données réelles. À l'inverse, bien que les grands modèles de langage (LLM) possèdent des capacités de raisonnement pour analyser ce contexte textuel, ils manquent fréquemment des mécanismes autorégressifs intrinsèques requis pour une reconnaissance précise des motifs numériques, ce qui entraîne des performances sous-optimales lorsqu'ils sont utilisés comme prévoyants zero-shot autonomes.

Le défi central abordé par ce travail est le « compromis » auquel les chercheurs sont confrontés : soit éliminer le contexte qualitatif critique pour utiliser des modèles statistiques, soit s'appuyer sur des LLM qui peinent à capturer les propriétés des séries temporelles. L'article formule la tâche comme un problème multimodal nécessitant la prédiction conjointe de valeurs numériques futures ($X_{\tau+1:\tau+T}$) et de leur raisonnement causal sous-jacent ($R$), basée sur un contexte historique comprenant à la fois des séquences numériques ($X_{1:\tau}$) et du texte non structuré associé ($E_{1:\tau}$).

Méthodologie : Le Cadre Nexus

Pour combler le fossé entre la rigueur statistique et le raisonnement contextuel, les auteurs introduisent Nexus, un cadre multi-agents entièrement piloté par un LLM. Plutôt que de forcer un modèle monolithique unique à gérer tous les aspects de la prévision, Nexus décompose la tâche en trois étapes logiques distinctes :

1. Contextualisation

Pour éviter la surcharge cognitive dans les scénarios à contexte long, un Agent de Contexte Historique ($A_{ctx}$) traite les données multimodales brutes. Il transforme les valeurs numériques brutes et le texte dense en une chronologie hautement structurée ($H_{1:\tau}$). Pour chaque pas de temps, cet agent filtre le bruit et lie explicitement les valeurs numériques à des résumés concis des facteurs clés de motivation, garantissant que les agents en aval reçoivent un signal haute fidélité de cause à effet.

2. Génération de Perspectives de Prévision à Double Résolution

Nexus génère deux perspectives complémentaires à partir de l'historique structuré :

• Agent de Raisonnement Macro ($A_{macro}$) : Adopte une approche descendante pour tracer une trajectoire large pour tout l'horizon de prévision. Il établit le régime attendu et assure que la prévision finale s'aligne sur les changements fondamentaux.
• Agent de Raisonnement Micro ($A_{micro}$) : Adopte une approche granulaire, étape par étape. Il évalue les catalyseurs immédiats, les changements à court terme et la volatilité localisée pour chaque futur pas de temps, garantissant une réactivité aux événements spécifiques.

3. Synthèse et Calibration de la Prévision

• Agent de Synthèse de Prévision ($A_{syn}$) : Cet agent fusionne dynamiquement les perspectives macro et micro. Il synthétise l'historique structuré avec les doubles perspectives, conditionné par des directives apprises ($G$), pour produire la prévision numérique finale et le raisonnement explicite.
• Agent de Calibration ($A_{calib}$) : Pour s'adapter à des domaines spécifiques sans conception manuelle d'instructions, Nexus emploie un mécanisme de test arrière par simulation forward. Il analyse les erreurs de prédiction sur des découpes historiques pour générer des règles de critique ($G_i$). Ces règles sont intersecées pour former des directives maîtresses robustes ($G$), qui ne sont appliquées que si elles produisent une amélioration des performances sur un ensemble de validation caché, évitant ainsi le surajustement.

Contributions Clés

L'article apporte trois contributions principales :

1. Désentanglement du Raisonnement : Il démontre qu'une prévision efficace par LLM nécessite de séparer les tendances de niveau grossier des caractéristiques granulaires des séries temporelles pour surmonter les limitations numériques intrinsèques des LLM.
2. Le Cadre Nexus : Il introduit une architecture multi-agents qui modélise les perspectives macro (grossières) et micro (granulaires) avant de les synthétiser dynamiquement en une prévision unique et robuste.
3. Performances de l'État de l'Art : Il montre que Nexus obtient des résultats supérieurs sur des ensembles de données fortement saisonniers (Zillow) et volatils (Actions), égalant ou surpassant des TSFM dédiés comme TimesFM-2.5 même dans des contextes purement numériques, tout en générant des traces de raisonnement hautement interprétables.

Résultats Expérimentaux

Les auteurs ont évalué Nexus sur des données strictement postérieures aux dates de coupure des connaissances (janvier 2025) des LLM sous-jacents pour assurer une évaluation zero-shot sans fuite de données. Les ensembles de données comprenaient :

• Métriques Immobilières Zillow : Comptes hebdomadaires des inventaires de ventes dans 15 grandes zones métropolitaines américaines.
• Actions du Marché Boursier : Prix de clôture hebdomadaires de 7 entreprises publiques diverses (par exemple, AAPL, GOOGL, RKLB).

Métriques de Performance :

• Contexte Multimodal : Nexus a constamment surpassé de solides bases de chaîne de pensée (CoT). Sur l'ensemble de données Zillow utilisant Claude-4.5-Sonnet, Nexus a réduit le MAPE de 86,6 % et le RMSE de 88,6 % par rapport à la base CoT.
• Contexte Numérique Uniquement : Même sans contexte textuel, Nexus a égalé ou surpassé TimesFM-2.5. Par exemple, sur l'ensemble de données Zillow avec Gemini-3.1-Pro, Nexus a obtenu une amélioration de 10,4 % du MAPE par rapport à la base CoT et a égalé les performances du TSFM spécialisé.
• Qualité du Raisonnement : Dans des évaluations par paires utilisant des méthodologies de jugement croisé (Gemini jugeant Claude et vice versa), Nexus a été préféré à la base CoT dans 63,5 % à 97,1 % des cas selon divers critères, notamment la pertinence du domaine, la plausibilité des événements et la cohérence logique-chiffre.

Analyse des Composantes :
Des études d'ablation ont confirmé que toutes les composantes sont critiques. La suppression de l'agent de raisonnement micro a augmenté le MAPE sur les données boursières, indiquant la nécessité d'une analyse granulaire pour la volatilité. De même, la suppression de l'agent de raisonnement macro a dégradé les performances, soulignant le besoin d'une guidance de tendance globale.

Signification et Revendications

L'article revendique que la prévision dans le monde réel est fondamentalement un problème de raisonnement agentique qui va au-delà de la simple modélisation de séquences. En décomposant le processus de prédiction, Nexus démontre que les LLM de génération actuelle possèdent des capacités de prévision intrinsèques plus fortes que précédemment reconnues, à condition que le raisonnement numérique et contextuel soit organisé efficacement.

Les auteurs soulignent que Nexus offre une approche prometteuse pour développer des systèmes de prévision interprétables, robustes et hautement adaptables. Contrairement aux modèles statiques qui produisent des prévisions sans révision, Nexus génère des traces de raisonnement de haute qualité qui montrent explicitement les moteurs fondamentaux derrière chaque prévision, comblant le fossé entre les tendances numériques et le contexte qualitatif. Le travail suggère que l'avenir de la prévision ne réside pas dans des modèles monolithiques, mais dans des systèmes multi-agents capables de synthétiser les propriétés statistiques avec les moteurs fondamentaux.