論文の概要: CastFlow: Learning Role-Specialized Agentic Workflows for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2604.27840v2
• Date: Mon, 04 May 2026 08:56:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 14:09:07.081573
• Title: CastFlow: Learning Role-Specialized Agentic Workflows for Time Series Forecasting
• Title（参考訳）: CastFlow: 時系列予測のためのロール特化エージェントワークフローの学習
• Authors: Bokai Pan, Mingyue Cheng, Zhiding Liu, Shuo Yu, Xiaoyu Tao, Yuchong Wu, Qi Liu, Defu Lian, Enhong Chen,
• Abstract要約: 大規模言語モデル(LLM)のための動的エージェント予測フレームワークであるCastFlowを提案する。 CastFlowは予測プロセスを計画、アクション、予測、リフレクションに編成し、エージェントワークフローを確立する。 第3に、CastFlowは、汎用推論と特殊な数値予測を組み合わせたロール特殊化設計を採用する。
• 参考スコア（独自算出の注目度）: 74.29761960394848
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, large language models (LLMs) have shown great promise in time series forecasting. However, most existing LLM-based forecasting methods still follow a static generative paradigm that directly maps historical observations to future values in a single pass. Under this paradigm, forecasting is constrained by limited temporal pattern extraction, single-round acquisition of contextual features, one-shot forecast generation, and lack of support from ensemble forecasts. To address these limitations, in this work, we propose CastFlow, a dynamic agentic forecasting framework that enables multi-view temporal pattern extraction, multi-round contextual features acquisition, iterative forecast refinement, and forecasting with ensemble forecasts. First, CastFlow organizes the forecasting process into planning, action, forecasting, and reflection, establishing an agentic workflow. Second, this workflow is supported by a memory module that retrieves prior experience and a multi-view toolkit that constructs diagnostic evidence and provides a reliable ensemble forecast baseline. Third, CastFlow adopts a role-specialized design that combines general-purpose reasoning with specialized numerical forecasting. Under this design, a frozen LLM preserves general-purpose reasoning, while a fine-tuned domain-specific LLM performs evidence-guided numerical forecasting based on the ensemble forecast baseline, rather than from scratch. To optimize a fine-tuned domain-specific LLM, we further develop a two-stage workflow-oriented training that combines supervised fine-tuning (SFT) and reinforcement learning with verifiable rewards (RLVR). To evaluate the effectiveness of CastFlow, we conduct extensive experiments on diverse datasets and show that it achieves superior overall results against strong baselines. We hope that this work can serve as a step toward more adaptive and accurate time series forecasting.
• Abstract（参考訳）: 近年,大規模言語モデル (LLMs) は時系列予測において大きな可能性を秘めている。 しかし、既存のLLMベースの予測手法の多くは、単一のパスで過去の観測を直接将来の値にマッピングする静的な生成パラダイムに従っている。 このパラダイムの下では、予測は時間的パターン抽出の制限、文脈特徴の単一ラウンド獲得、ワンショット予測生成、アンサンブル予測からの支持の欠如によって制約される。 本稿では,多視点時間パターン抽出,マルチラウンド・コンテキスト特徴獲得,反復予測改善,アンサンブル予測による予測を可能にする動的エージェント予測フレームワークであるCastFlowを提案する。 まず、CastFlowは予測プロセスを計画、アクション、予測、リフレクションに整理し、エージェントワークフローを確立する。 第2に、このワークフローは、事前の経験を検索するメモリモジュールと、診断証拠を構築し、信頼できるアンサンブル予測ベースラインを提供するマルチビューツールキットによってサポートされている。 第三に、CastFlowは、汎用推論と特殊な数値予測を組み合わせたロール特殊化設計を採用する。 この設計の下では、凍結されたLLMは汎用的な推論を保ち、微調整されたドメイン固有のLLMは、スクラッチからではなくアンサンブル予測ベースラインに基づいてエビデンス誘導の数値予測を行う。 細調整されたドメイン固有LLMを最適化するために、教師付き微調整(SFT)と強化学習と検証可能な報酬(RLVR)を組み合わせた2段階のワークフロー指向トレーニングを開発する。 CastFlowの有効性を評価するため、多様なデータセットに対して広範な実験を行い、強力なベースラインに対して優れた総合的な結果が得られることを示す。 この作業が,より適応的で正確な時系列予測に向けての一歩になることを期待しています。

関連論文リスト

• T-LLM: Teaching Large Language Models to Forecast Time Series via Temporal Distillation [7.6933817667680096]
  時系列予測は多くの現実世界のアプリケーションにおいて意思決定において重要な役割を果たす。 本稿では,汎用言語モデルと時系列予測機能を組み合わせた時空間蒸留フレームワークT-LLMを提案する。
  論文  参考訳（メタデータ） (2026-02-02T10:40:27Z)
• Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting [49.05788441962762]
  エージェント時系列予測(ATSF)は,認識,計画,行動,反射,記憶からなるエージェントプロセスとして再編成される。 ワークフローに基づく設計、エージェント強化学習、ハイブリッドエージェントワークフローパラダイムという3つの代表的な実装パラダイムを概説し、モデル中心の予測からエージェント予測に移行する際に生じる機会と課題について議論する。
  論文  参考訳（メタデータ） (2026-02-02T08:01:11Z)
• Agentic Predictor: Performance Prediction for Agentic Workflows via Multi-View Encoding [56.565200973244146]
  Agentic Predictorは、効率的なエージェントワークフロー評価のための軽量な予測器である。 Agentic Predictorはタスク成功率の近似を学ぶことで、最適なエージェントワークフロー構成の迅速かつ正確な選択を可能にする。
  論文  参考訳（メタデータ） (2025-05-26T09:46:50Z)
• Generating ensembles of spatially-coherent in-situ forecasts using flow matching [0.3721016050171826]
  天気予報後処理のための機械学習に基づく手法を提案する。 我々のフロー・マッチング・ポストプロセッシング(FMAP)は、観測分布の相関構造をより良く表現する。 FMAPはEUPPBenchデータセットの実験で有望なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-04-04T14:12:53Z)
• TimeXL: Explainable Multi-modal Time Series Prediction with LLM-in-the-Loop [79.5773512667468]
  TimeXLは、プロトタイプベースの時系列エンコーダと3つの協調する大規模言語モデルを統合するマルチモーダル予測フレームワークである。 リフレクションLLMは、予測された値と地上の真実を比較し、テキストの不整合やノイズを識別する。 このクローズドループワークフロー予測、批判(参照)、改善が連続的にフレームワークのパフォーマンスと解釈可能性を高めます。
  論文  参考訳（メタデータ） (2025-03-02T20:40:53Z)
• FLODCAST: Flow and Depth Forecasting via Multimodal Recurrent Architectures [31.879514593973195]
  本研究では,両モードを同時に予測するフローおよび深さ予測モデルを提案する。 提案したモデルをトレーニングし、将来いくつかのタイムステップの予測を行う。 セグメンテーション予測の下流タスクの利点を報告し、フローベースのマスクウォーピングフレームワークに予測を注入する。
  論文  参考訳（メタデータ） (2023-10-31T16:30:16Z)

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。