CastFlow：角色專精代理工作流程提升時間序列預測精度

引言

時間序列預測是許多基礎設施決策的關鍵，從再生能源發電到河川流量皆仰賴準確的未來值。傳統模型多以一次性映射歷史資料至未來值的方式運作，難以因應非平穩、跨變化與高維交互等挑戰。近年大型語言模型（LLM）展現了在語意推理與跨領域知識整合上的潛力，亦被嘗試導入時間序列領域。然而，現有 LLM‑based 方法仍停留在靜態生成的框架，限制了多輪特徵取得、工具使用與迭代修正的能力。

相關工作

從 ARIMA、ETS 等統計模型，到支援向量回歸、樹狀提升，再到深度學習的 Transformer、State‑Space 等架構，時間序列預測的技術脈絡持續演進。近年基礎模型如 Chronos、TimesFM 已展現跨領域零樣本預測的能力，但多數仍將預測視為單一步驟的映射，缺乏測試時的互動與證據導向的修正機制。

方法論

CastFlow 將預測重新定義為一個動態的代理工作流程，包含四個階段：

• 規劃（Planning）：使用凍結的 LLM 針對當前任務產生工具排程與資訊需求。
• 行動（Action）：根據排程呼叫多觀點工具箱，收集趨勢、噪聲、季節性等診斷證據，同時產生 ensemble 基線。
• 預測（Forecasting）：微調的領域專屬 LLM 以 ensemble 基線與收集的證據為依據，執行數值預測。
• 反思（Reflection）：檢視預測結果與證據的一致性，若不符合則回到行動階段進行迭代修正。

記憶模組負責從過往的規劃與工具使用軌跡中提取可重用的策略，讓模型在新任務中快速定位相關模式。多觀點工具箱則提供統計檢驗、特徵工程與 ensemble 合成等功能，確保證據的數值可靠性。

為了同時保留一般推理能力與數值預測精度，CastFlow 採用角色專精的設計：凍結的 LLM 負責高層次的規劃與反思，微調的領域 LLM 僅專注於證據導向的數值運算。訓練上採用兩階段工作流程導向的策略：先以監督微調（SFT）對齊工具使用與預測目標，接著以可驗證獎勵的強化學習（RLVR）進一步優化迭代修正的回饋。

實驗結果

我們在多個公開基準（包括 EPF 電價、ETTh/ETTm 變壓器溫度、Windy Power、Solar Power、MOPEX 河流流量）上進行測試。所有資料集均以時間序列方式切分 7:1:2 作為訓練、驗證、測試。結果顯示，CastFlow 在平均絕對誤差（MAE）與均方根誤差（RMSE）上皆優於最先進的基線模型，如 N‑HiTS、Chronos 以及其他 LLM‑based 方法。特別是在長期預測與多變量情境下，迭代修正與 ensemble 證據的結合帶來顯著的穩定性提升。

結論與未來展望

CastFlow 證明了將時間序列預測視為一個角色專精、工作流程導向的代理過程，可同時保有大型語言模型的通用推理與領域模型的數值精度。未來的研究可延伸至自動化工具箱的擴充、跨模態資料的融合，以及在資源受限環境中的效能優化，進一步推動 AI 在時間序列領域的實務落地。

延伸閱讀

• CFDLLMBench 基準：量化大型語言模型於 CFD 概念、程式碼與 OpenFOAM 工作流表現
• ClimAgent 與 ClimaBench：以大型語言模型（LLM）代理實現自動化氣候科學流程
• Paper2Data 與 UrbanDataMiner：以大型語言模型（LLM）自動抽取並結構化城市資料集

代理人點評

CastFlow 的最大亮點在於把預測當成一個可循環的決策過程，而非一次性的輸出。凍結 LLM 負責全局規劃，微調模型專注數值運算，這樣的角色分工避免了單模型要同時兼顧推理與精算的衝突。記憶模組與多觀點工具箱的結合，使得模型能夠在每一步取得具體證據，減少盲目預測的風險。實驗結果證實，這種迭代修正的策略在多變量與長期預測上有明顯優勢，預示未來時間序列 AI 可能會更偏向工作流程化的設計，而非純模型堆疊。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。