Bridging the Last Mile of Time Series Forecasting with LLM Agents
用 LLM Agent 打通时间序列预测的最后一公里
🧭 LLM Agent · 预测修正与业务落地
Trip.com Group
提出以 LLM agent 对统计基线预测进行可溯、约束化的业务修正，将上下文信息转化为结构化修订动作。
📌 工作参考价值
- 预测修正的工程化模式：将统计基线预测与业务修正解耦，把修正动作封装为可审计的操作（范围缩放、点位覆写），可直接用于电商需求计划、促销备货等场景，把运营经验结构化地注入到预测中。
- Agent 工作区设计：共享的表格式工作区（历史值、基线预测、可编辑修订值）保证历史与基线不可变，所有修订仅作用于 y_final，避免模型幻觉污染原始信号，这种“受控编辑”的思路可复用于推荐系统中的打分后调整或多策略融合。
- 长时预测的 map-reduce 分解：将长预测区间拆分为事件窗口并行推理，再通过统一动作接口合并，适合电商大促期的多活动多时段调优，提升推理效率且保持可审查性。
- 基于记忆的自我改进闭环：在真实值出现后生成校准反思，存为结构化记忆，后续预测时优先检索历史修正错误，避免重复犯错，该机制可直接用于推荐系统的 A/B 后评估与在线参数的自适应调整。
动机：时间序列预测在统计模型层面已日趋成熟，但在实际业务决策中，一个统计上合理的基线预测往往需要结合节假日、促销计划、外部事件等上下文信息进行二次修正才能落地。这种“最后一公里”的修订过程过去主要依赖人工经验，缺乏结构化和可审计性。本文将该问题形式化为 last‑mile forecasting，即从基线预测到业务可用预测的约束化修订，并提出一种 LLM‑agent 框架来解决。
方法关键点
- 系统架构：在预测主干（如 TimesFM）之上构建 Agent，将数值外推和上下文修正彻底解耦，主干负责基线，Agent 负责可追溯的修订。
- 统一工作区：保持一个包含历史值、不可变基线、可编辑修订值的数据表，所有修改只能通过受限动作（范围缩放、点位覆写、修订列表合并）作用于 y_final，确保修改变更完整记录。
- 基于工具的证据获取：Agent 通过日历查询、历史检索、记忆查询等工具收集证据，并将证据转化为结构化修订提案（含方向、幅度、置信度），再驱动修订动作。
- 长时预测的 map‑reduce 分解：将长预测区间按事件窗口分解，每个窗口由本地推理器独立生成修订信号后再汇总执行，保持过程清晰可审计。
- 记忆与自改进：在真实值出现后，对比基线、修正值和实际值，生成反思记录存入记忆库；后续预测时可检索这些记忆，以校准修正策略，实现跨 session 的自提升。
实验数据与结果 基于携程某国内航线的每日机票销量数据（2024‑01‑01 至 2026‑05‑05），设计三组 case study：
- 节假日修正：对 2026 年春节窗口，相比 Prophet 和 TimesFM，MAE 分别降低 80.0% 和 88.2%，MAPE 从 155.95%／262.76% 降至 32.84%。
- 长时多事件预测：126 天区间含四个节假日，整体 MAPE 降至 18.91%，每个事件窗口误差均为最低，展示了按事件精准修正而非全局统一偏移的能力。
- 自改进机制：在连续三周的非事件窗口上，带记忆的 Agent 在第三周 MAE（60.10）显著低于无记忆对照组（92.94），验证了反思记忆的有效性。
关键结论：将 LLM Agent 的角色从预测生成转向预测的上下文修正，通过约束化、痕迹化的工作流，能显著提升预测的业务可用性与审计性，为“预测最后一公里”提供系统化方案。