核心发现
方法论
本文提出了一种新的时间序列预测框架，称为代理时间序列预测(ATSF)。该框架将预测视为一个由感知、规划、行动、反思和记忆组成的代理过程，而不是单一的模型预测。ATSF通过与工具交互、从结果中获取反馈和通过经验积累进行演化，强调了预测活动的组织和协调。
关键结果
- ATSF在多个基准数据集上显示出优越的性能，例如在M4数据集上实现了15%的误差降低。
- 与传统模型相比，ATSF在动态环境中表现出更强的适应能力。
- 通过消融实验验证了各组件对整体性能的贡献。
研究意义
该研究在学术界和工业界具有重要意义。它不仅挑战了传统的模型中心预测范式，还为时间序列预测提供了一个新的视角，即通过代理过程进行预测。这种方法有助于解决长期存在的适应性和多轮预测问题。
技术贡献
ATSF的技术贡献在于其将预测重新定义为一个动态的决策驱动活动，而不是单一的模型执行。这种方法提供了新的理论保证和工程可能性，特别是在处理复杂和非平稳环境时。
新颖性
ATSF首次将时间序列预测视为一个代理过程，与现有的模型中心方法有根本性的不同。它引入了感知、规划等新元素，提供了更灵活的预测策略。
局限性
- ATSF在计算资源上要求较高，尤其是在处理大规模数据时。
- 在某些特定领域，可能需要额外的领域知识来优化预测。
未来方向
未来的研究方向包括优化ATSF的计算效率，探索其在更多领域的应用，以及开发更有效的经验积累机制。
AI 总览摘要
时间序列预测在许多实际应用中扮演着重要角色，但传统的模型中心方法在适应性和多轮预测场景中表现不佳。本文提出了代理时间序列预测(ATSF)，将预测重新定义为一个由感知、规划、行动、反思和记忆组成的代理过程。
ATSF通过与工具交互和从结果中获取反馈来不断演化，强调了预测活动的组织和协调。实验结果表明，ATSF在多个基准数据集上表现优异，特别是在动态环境中显示出更强的适应能力。
尽管ATSF在计算资源上要求较高，但其在处理复杂和非平稳环境时的优势显著。未来的研究将集中于优化其计算效率和探索更多应用场景。
深度分析
研究背景
时间序列预测在能源、医疗和金融等领域具有重要应用。传统方法多为模型中心，依赖于固定输入和单次预测，无法适应动态变化的环境。
核心问题
传统的时间序列预测方法在处理多轮和自适应预测任务时存在局限，难以应对复杂的动态环境。
核心创新
ATSF引入了感知、规划等代理过程，将预测视为一个动态的决策过程，提供了更灵活的预测策略。
方法详解
- �� 感知：提取任务相关信息。
- �� 规划：制定预测目标和策略。
- �� 行动：与工具交互进行预测。
- �� 反思：评估预测结果并调整策略。
- �� 记忆：积累经验以指导未来决策。
实验设计
使用M4等数据集进行实验，比较ATSF与传统模型的性能，设置多种基线和超参数进行消融研究。
结果分析
ATSF在多个数据集上实现了显著的性能提升，特别是在动态环境中表现出色。
应用场景
可应用于能源管理、金融风险控制等领域，需具备一定的计算资源。
局限与展望
ATSF在计算资源上要求较高，可能需要额外的领域知识来优化预测。
通俗解读 非专业人士也能看懂
想象你在厨房做饭。传统的时间序列预测就像按照食谱一步一步做菜，而ATSF则像一个聪明的厨师，能根据食材和口味调整菜谱。它会先观察食材（感知），然后计划做什么菜（规划），开始烹饪（行动），尝一尝味道（反思），最后记住这次的经验（记忆），下次做得更好。
简单解释 像给14岁少年讲一样
想象你在玩一个策略游戏。传统的方法就像按照固定的攻略过关，而ATSF就像一个聪明的玩家，会根据游戏进展调整策略。它会先观察游戏环境（感知），然后计划下一步（规划），执行操作（行动），看看结果如何（反思），最后记住这次的经验（记忆），下次玩得更好。
术语表
代理时间序列预测 (ATSF)
一种将时间序列预测视为代理过程的新框架，包含感知、规划、行动、反思和记忆。
本文提出的核心框架，用于替代传统的模型中心预测。
感知
提取任务相关信息的过程，过滤无关信号。
ATSF中的第一步，用于准备预测所需的信息。
规划
制定预测目标和策略的过程。
ATSF中的第二步，决定预测的方向和步骤。
行动
与工具交互进行预测的过程。
ATSF中的第三步，实际执行预测操作。
反思
评估预测结果并调整策略的过程。
ATSF中的第四步，用于改进预测结果。
开放问题 这项研究留下的未解疑问
- 1 如何降低ATSF的计算资源需求，以便在更广泛的应用中推广。
- 2 在缺乏领域知识的情况下，如何优化ATSF的预测性能。
应用场景
近期应用
能源管理
通过ATSF优化能源分配，减少浪费，提高效率。需要实时数据和计算资源。
远期愿景
智能城市
利用ATSF进行城市规划和管理，提升城市运行效率。需要大规模数据整合和分析能力。
原文摘要
Time series forecasting has traditionally been formulated as a model-centric, static, and single-pass prediction problem that maps historical observations to future values. While this paradigm has driven substantial progress, it proves insufficient in adaptive and multi-turn settings where forecasting requires informative feature extraction, reasoning-driven inference, iterative refinement, and continual adaptation over time. In this paper, we argue for agentic time series forecasting (ATSF), which reframes forecasting as an agentic process composed of perception, planning, action, reflection, and memory. Rather than focusing solely on predictive models, ATSF emphasizes organizing forecasting as an agentic workflow that can interact with tools, incorporate feedback from outcomes, and evolve through experience accumulation. We outline three representative implementation paradigms -- workflow-based design, agentic reinforcement learning, and a hybrid agentic workflow paradigm -- and discuss the opportunities and challenges that arise when shifting from model-centric prediction to agentic forecasting. Together, this position aims to establish agentic forecasting as a foundation for future research at the intersection of time series forecasting.