論文の概要: TimeSeriesScientist: A General-Purpose AI Agent for Time Series Analysis

• arxiv url: http://arxiv.org/abs/2510.01538v1
• Date: Thu, 02 Oct 2025 00:18:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.916758
• Title: TimeSeriesScientist: A General-Purpose AI Agent for Time Series Analysis
• Title（参考訳）: TimeSeriesScientist: 時系列分析のための汎用AIエージェント
• Authors: Haokun Zhao, Xiang Zhang, Jiaqi Wei, Yiwei Xu, Yuting He, Siqi Sun, Chenyu You,
• Abstract要約: TimeSeriesScientist(TSci)は時系列予測のための一般的なドメインに依存しないフレームワークである。 これはそれぞれ平均10.4%と38.2%の予測誤差を減少させる。 透明な自然言語の合理性と包括的な報告により、TSciは予測をホワイトボックスシステムに変換する。
• 参考スコア（独自算出の注目度）: 25.377586527585503
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting is central to decision-making in domains as diverse as energy, finance, climate, and public health. In practice, forecasters face thousands of short, noisy series that vary in frequency, quality, and horizon, where the dominant cost lies not in model fitting, but in the labor-intensive preprocessing, validation, and ensembling required to obtain reliable predictions. Prevailing statistical and deep learning models are tailored to specific datasets or domains and generalize poorly. A general, domain-agnostic framework that minimizes human intervention is urgently in demand. In this paper, we introduce TimeSeriesScientist (TSci), the first LLM-driven agentic framework for general time series forecasting. The framework comprises four specialized agents: Curator performs LLM-guided diagnostics augmented by external tools that reason over data statistics to choose targeted preprocessing; Planner narrows the hypothesis space of model choice by leveraging multi-modal diagnostics and self-planning over the input; Forecaster performs model fitting and validation and, based on the results, adaptively selects the best model configuration as well as ensemble strategy to make final predictions; and Reporter synthesizes the whole process into a comprehensive, transparent report. With transparent natural-language rationales and comprehensive reports, TSci transforms the forecasting workflow into a white-box system that is both interpretable and extensible across tasks. Empirical results on eight established benchmarks demonstrate that TSci consistently outperforms both statistical and LLM-based baselines, reducing forecast error by an average of 10.4% and 38.2%, respectively. Moreover, TSci produces a clear and rigorous report that makes the forecasting workflow more transparent and interpretable.
• Abstract（参考訳）: 時系列予測は、エネルギー、金融、気候、公衆衛生といった分野における意思決定の中心である。 実際には、予測器は、周波数、品質、地平線に異なる何千もの短いノイズのシリーズに直面し、そこでは、主なコストはモデルフィッティングではなく、信頼性のある予測を得るために必要とされる労働集約的な前処理、検証、および合理化である。 一般的な統計的およびディープラーニングモデルは、特定のデータセットやドメインに合わせて調整され、一般化が不十分である。 人間の介入を最小限に抑える一般的なドメインに依存しないフレームワークは、緊急に要求される。 本稿では,一般時系列予測のための LLM 駆動型エージェントフレームワークである TimeSeriesScientist (TSci) を紹介する。 このフレームワークは、4つの特殊なエージェントで構成されている: キュレーターは、データ統計を推論してターゲット前処理を選択する外部ツールによって拡張されたLCM誘導診断を実行する; プランナーは、マルチモーダルな診断と入力を自己計画することで、モデル選択の仮説空間を狭める; Forecasterは、モデルフィッティングとバリデーションを行い、結果に基づいて、最適なモデル構成を適応的に選択し、最終的な予測を行うためのアンサンブル戦略と、全体を包括的で透明なレポートに合成する。 透過的な自然言語の合理性と包括的なレポートにより、TSciは予測ワークフローを、タスク間で解釈可能かつ拡張可能なホワイトボックスシステムに変換する。 8つの確立されたベンチマークの実証的な結果は、TSciが統計ベースラインとLLMベースベースラインの両方を一貫して上回り、それぞれ平均10.4%と38.2%の予測誤差を減少させることを示した。 さらにTSciは、予測ワークフローをより透明で解釈可能な、明確で厳密なレポートを生成する。

関連論文リスト

• Enhancing Transformer-Based Foundation Models for Time Series Forecasting via Bagging, Boosting and Statistical Ensembles [7.787518725874443]
  時系列基礎モデル(TSFM)は、時系列予測、異常検出、分類、計算のための強力な一般化とゼロショット能力を示している。 本稿では, 統計的およびアンサンブルに基づくエンハンスメント技術を用いて, 頑健さと精度を向上させる手法について検討する。
  論文  参考訳（メタデータ） (2025-08-18T04:06:26Z)
• BLAST: Balanced Sampling Time Series Corpus for Universal Forecasting Models [47.66064662912721]
  本稿では,バランスの取れたサンプリング戦略を通じて,データの多様性を高めるための新しい事前学習コーパスを提案する。 BLTは、公開データセットからの321億の観測を取り入れ、時系列パターンを特徴付けるために、包括的な統計メトリクススイートを使用している。 本研究は, 予測タスクにおけるトレーニング効率とモデル性能の両面において, データの多様性が重要な役割を担っていることを明らかにする。
  論文  参考訳（メタデータ） (2025-05-23T13:20:47Z)
• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• LoMEF: A Framework to Produce Local Explanations for Global Model Time Series Forecasts [2.3096751699592137]
  複数の時系列にまたがってトレーニングされたグローバル予測モデル(GFM)は、多くの予測競合や実世界のアプリケーションにおいて優れた結果を示している。 しかしながら、GFMは通常、特に特定の時系列に対する解釈可能性に欠ける。 本稿では,GFMからの予測を説明するために,局所モデルに依存しない新しい解法を提案する。
  論文  参考訳（メタデータ） (2021-11-13T00:17:52Z)
• A Worrying Analysis of Probabilistic Time-series Models for Sales Forecasting [10.690379201437015]
  確率的時系列モデルは、不確実性の下で最適な決定を下すのに役立つため、予測分野で人気がある。 販売予測のための3つの顕著な確率的時系列モデルの性能解析を行った。
  論文  参考訳（メタデータ） (2020-11-21T03:31:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。