Nexus : An Agentic Framework for Time Series Forecasting
本文介绍了 Nexus，这是一个多智能体框架，它将时间序列预测分解为专门阶段，以有效整合非结构化上下文数据与数值模式，从而使当前的大语言模型能够媲美或超越最先进模型，同时提供透明的推理轨迹。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在尝试预测下周的天气。你有两种不同的工具可以帮助你：
- 数学巫师（TSFM）：这个工具在查看长期的历史温度和降雨量数据方面令人惊叹。它能发现诸如“通常周二会下雨”或“每年十一月气温都会下降”这样的模式。它非常擅长捕捉数据的节奏。然而，它对新闻完全视而不见。它不知道海岸外正在形成一场巨大的飓风，也不知道火山刚刚喷发，尽管这些事件将彻底改变天气。
- 故事讲述者（LLM）：这个工具在阅读新闻文章、社交媒体和报告方面是天才。它理解事情发生的“原因”。它知道飓风意味着降雨和大风。但是，当你要求它根据电子表格中的数字预测下周二的确切气温时，它经常算错数学。它可能会猜出一个在故事中讲得通、但不符合实际数据模式的数字。
问题所在：
很长一段时间以来，研究人员不得不做出选择：要么使用数学巫师来确保准确性，但会错过重大事件；要么使用故事讲述者来理解背景，但会算错数字。
解决方案：Nexus
这篇论文介绍了Nexus，它就像雇佣了一支专家团队，而不是只依赖一个人。Nexus 将预测未来的工作分解为三个不同的步骤，利用一组 AI 智能体协同工作。
以下是 Nexus 团队的工作方式，使用一个简单的类比：
1. 图书管理员（情境化智能体）
在任何人开始预测之前，图书管理员会将杂乱无章的原始数据（数字）和杂乱无章的新闻故事（文本）整理成一条清晰、按时间顺序排列的时间线。
- 他们做什么：他们并排阅读新闻和数字，并撰写清晰的摘要：“在这个日期，股价下跌是因为这个特定的新闻事件。”他们过滤掉噪音，以免其他专家感到不知所措。
2. 两位预测员（双分辨率智能体）
Nexus 将预测工作分配给两种不同类型的思考者：
- 宏观预测员（大局观人士）：这个智能体眺望远方。他们忽略微小的日常波动，专注于大趋势。“整个市场是在上涨吗？房地产市场是否处于季节性繁荣中？”他们设定总体方向。
- 微观预测员（细节人士）：这个智能体一步步地审视接下来的几天。“好吧，大趋势是上涨，但下周二有个假期，这通常会导致下跌。”他们专注于可能动摇局势的具体短期事件。
3. 编辑（综合与校准智能体）
最后，编辑将“大局观”视角和“分步”视角合并。
- 合并：如果“大局观人士”说“上涨”，而“细节人士”说“因假期而下跌”，编辑就会计算出最终的数字。他们决定给每种观点赋予多大的权重。
- 教练（校准）：编辑还有一位“教练”，负责审视过去的错误。如果团队上次预测上涨，但实际上下跌了，教练就会制定一条规则：“下次，如果我们看到 X 事件，就不要那么乐观。”这有助于团队学习和进步，而无需重新训练。
为什么这很重要？
该论文在 AI 模型训练之后发生的真实世界数据上测试了 Nexus（因此 AI 无法通过“记住”答案来“作弊”）。他们考察了：
- 股票市场：高度波动，由突发新闻驱动。
- 房地产（Zillow）：高度季节性，由可预测的年度周期驱动。
结果：
- 更准确的数字：在预测实际数字方面，Nexus 比专门的数学巫师（TSFM）更准确，也比单独工作的故事讲述者（LLM）好得多。
- 更好的解释：与其他只输出数字的模型不同，Nexus 提供了清晰的“推理路径”。它告诉你为什么做出该预测（例如：“我们预测会下跌，是因为即将到来的假期，尽管长期趋势是上涨”）。
- 无需妥协：它成功结合了两个世界的最佳之处：数学的模式识别能力和语言的情境理解能力。
简而言之：Nexus 证明，预测未来不仅仅是计算数字或阅读故事；它需要拥有一支既能做这两件事、又能互相检查对方工作、并能从过去的错误中学习的团队，从而为你提供一份你真正可以信赖的预测。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。