論文の概要: Nexus : An Agentic Framework for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2605.14389v1
• Date: Thu, 14 May 2026 05:12:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.636377
• Title: Nexus : An Agentic Framework for Time Series Forecasting
• Title（参考訳）: Nexus : 時系列予測のためのエージェントフレームワーク
• Abstract要約: 時系列予測は、ニュースやイベントのような構造化されていないコンテキストデータによる推論を必要とする。 予測を特殊なステージに分解するマルチエージェント予測フレームワークであるNexusを紹介します。 本研究では,現在のLLMは,従来よりも強い固有予測能力を有することを示す。
• 参考スコア（独自算出の注目度）: 72.73790673303154
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting is not just numerical extrapolation, but often requires reasoning with unstructured contextual data such as news or events. While specialized Time Series Foundation Models (TSFMs) excel at forecasting based on numerical patterns, they remain unaware to real-world textual signals. Conversely, while LLMs are emerging as zero-shot forecasters, their performance remains uneven across domains and contextual grounding. To bridge this gap, we introduce Nexus, a multi-agent forecasting framework that decomposes prediction into specialized stages: isolating macro-level and micro-level temporal fluctuations, and integrating contextual information when available before synthesizing a final forecast. This decomposition enables Nexus to adapt from seasonal signals to volatile, event-driven information without relying on external statistical anchors or monolithic prompting. We show that current-generation LLMs possess substantially stronger intrinsic forecasting ability than previously recognized, depending critically on how numerical and contextual reasoning are organized. Evaluated on data strictly succeeding LLM knowledge cutoffs spanning Zillow real estate metrics and volatile stock market equities, Nexus consistently matches or outperforms state-of-the-art TSFMs and strong LLM baselines. Beyond numerical accuracy, Nexus produces high-quality reasoning traces that explicitly show the fundamental drivers behind each forecast. Our results establish that real-world forecasting is an agentic reasoning problem extending well beyond only sequence modeling.
• Abstract（参考訳）: 時系列予測は単なる数値外挿ではなく、ニュースやイベントのような構造化されていない文脈データによる推論を必要とすることが多い。 時系列ファウンデーションモデル(TSFM)は数値パターンに基づく予測に優れるが、現実のテキスト信号には気づかないままである。 逆に、LLMはゼロショットの予測器として登場しているが、その性能はドメインやコンテキストのグラウンドで不均一である。 マクロレベルの時間変動とマイクロレベルの時間変動を分離し、最終的な予測を合成する前にコンテキスト情報を統合する、予測を特殊なステージに分解するマルチエージェント予測フレームワークであるNexusを導入する。 この分解によりNexusは、外部統計アンカーやモノリシックなプロンプトに頼ることなく、季節的な信号から揮発性のイベント駆動情報に適応することができる。 筆者らは, 現代のLLMは, 数値的, 文脈的推論の体系化にもとづいて, 従来認識されていたよりも本質的な予測能力がかなり強いことを示した。 ジルロー不動産の指標と揮発性株式市場の株価にまたがるLLM知識の遮断を厳格に後押しするデータに基づいて評価され、Nexusは最先端のTSFMと強力なLLMベースラインとを一貫して一致または上回っている。 数値精度以外にも、Nexusは各予測の背後にある基本的なドライバを明確に示す高品質な推論トレースを生成する。 この結果から,実世界の予測は,シーケンスモデリングに留まらないエージェント的推論問題であることが判明した。

関連論文リスト

• LLM-based Agents for Forecasting and Prediction: Methods, Training, Evaluation, and Applications [76.41731220830714]
  大規模言語モデル(LLM)は、言語ベースの推論と時間的データ、エビデンス検索、外部ツール、反復予測を組み合わせた予測システムをサポートするようになった。 ファイナンス、天気、健康、エネルギー、オペレーションの応用について検討し、評価に使用されるベンチマークとデータセットを要約する。
  論文  参考訳（メタデータ） (2026-08-24T10:02:39Z)
• LLM as Forecasting Planner: Training-Free Text Conditioning for Time-Series Foundation Models [7.741162056503623]
  時系列基礎モデル(TSFM)は強い数値予測を提供するが、大きな言語モデル(LLM)はテキスト上で推論できる。 我々は、TSFM生成軌道上での予測を計画問題として定式化する。 これをrc(textbfLLM textbfAs textbfForecasting textbfPlanner)としてインスタンス化する。
  論文  参考訳（メタデータ） (2026-07-27T15:02:40Z)
• Bridging the Last Mile of Time Series Forecasting with LLM Agents [0.6416429054645992]
  実世界の予測設定では、統計的に妥当なベースラインが実際に使われる最後の予測となることは滅多にない。 この実践的な段階は、予測文学において未解明のままである。 予測バックボーン上に位置するLDMエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-01T17:03:40Z)
• KairosAgent: Agentic Time Series Forecasting with Fused Semantic Reasoning [25.103984906343328]
  クロスドメインマルチモーダル時系列予測は、正確な数値理解、クロスドメインセマンティック理解、効果的なマルチモーダル融合をモデルに統合する必要がある、難しい課題である。 既存のアプローチは、時系列基礎モデル(TSFM)をスクラッチから構築するか、事前訓練された大規模言語モデル(LLM)を活用するかのいずれかである。 LLMベースの推論器とTSFMベースの予測器を含む,マルチモーダル時系列予測のための新しいエージェントフレームワークであるKairosAgentを提案する。
  論文  参考訳（メタデータ） (2026-05-28T14:32:48Z)
• Is Capability a Liability? More Capable Language Models Make Worse Forecasts When It Matters Most [11.4807141145402]
  逆スケーリングでは、より有能なモデルでは、超線形成長を伴う問題を予測し、状態変化の尾リスクを予測し、分布予測が悪化する。 このパターンはForecastBench-Simで、線形制御にマッチした合成SIRの流行を予測し、COVID-19、麻疹、住宅市場、ハイパーインフレの実際のデータセットに複製する。 この逆スケーリングは、LLM予測ベンチマークに共通する単一閾値のメトリクスには現れず、同一出力における能力-正確性関係のサインを逆転させる。
  論文  参考訳（メタデータ） (2026-05-21T16:14:33Z)
• LEAF: A Living Benchmark for Event-Augmented Forecasting [78.94019460534442]
  LEAFは、イベント拡張予測タスクの最初の生きたベンチマークである。 我々は最先端のプロプライエタリかつオープンウェイトなLLMを評価した。 LLMは、より予測し易いと自信を持って判断し、より優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-05-09T03:17:59Z)
• Reasoning-Aware Training for Time Series Forecasting [44.62309170542093]
  Time Series Foundation Models (TSFMs) は数値予測では優れているが、定性的推論を欠いたブラックボックスとして運用されている。 テキストトークンライザは連続した数値を断片化し、数学的関係を劣化させ、配列の長さを爆発させる。 STRIDE (Strategic Time-Series Reasoning Injected by Distilled Embeddings) について紹介する。 STRIDEは離散トークンの代わりに、トレースの推論を軽量のLCMに蒸留し、ターゲットの数値エンコーダに先立って平均プールされた隠された状態をクロスモーダルとして動的に投影する。
  論文  参考訳（メタデータ） (2026-05-09T02:41:47Z)
• Is More Context Always Better? Examining LLM Reasoning Capability for Time Interval Prediction [15.45305246863211]
  大規模言語モデル(LLM)は、異なるドメインをまたいだ推論と予測において印象的な能力を示している。 本稿では,LLMが繰り返しユーザの行動の時間間隔を予測できるかどうかを系統的に検討する。 我々は、統計モデルと機械学習モデルの両方に対してゼロショット設定で最先端のLCMをベンチマークする。
  論文  参考訳（メタデータ） (2026-01-15T07:18:40Z)
• The Forecast Critic: Leveraging Large Language Models for Poor Forecast Identification [74.64864354503204]
  本稿では,Large Language Models (LLM) を利用した予測自動監視システムであるThe Forecast Criticを提案する。 LLMの時系列予測品質を評価する能力を評価する。 合成および実世界の予測データを含む3つの実験を行った。
  論文  参考訳（メタデータ） (2025-12-12T21:59:53Z)
• TimeSeriesScientist: A General-Purpose AI Agent for Time Series Analysis [25.377586527585503]
  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。
  論文  参考訳（メタデータ） (2025-10-02T00:18:59Z)
• 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)
• 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)
• 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)

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。