AI Papers Daily

#Time-Series Forecasting

2 篇

When Tomorrow Becomes Today: Self-Evolving Policies for Agentic Time-Series Forecasting

当明天成为今天：自进化策略用于智能体时序预测

🧭 Agent 自进化 · 延迟反馈策略

Ant International · Tsinghua University · The Chinese University of Hong Kong

将时序预测智能体的延迟反馈转化为专家信任、路径选择与干预强度的持久联合更新

📌 工作参考价值（3 点）

• 延迟反馈无需额外标注：在电商推荐 Agent 中，每次请求同时记录多路召回/排序/策略路径的预测结果，待真实转化/点击回流后用 realized outcome 评估整个候选集，为在线策略更新提供免费监督信号。
• 自进化策略分层更新：借鉴 frozen backbone + 外层策略微调，只更新专家信任权重、路径路由概率、干预强度等轻量参数，避免频繁更新 LLM/大模型 backbone，工程上更稳定且易回滚。
• predict-reveal-update 协议可嵌入推荐 Agent 编排：如搜索推荐中由 LLM 调度多个模型（语义召回、协同过滤、生成式推荐），通过每轮真实反馈持续调整各专家贡献度，自动适应流量/季节/活动变化。

Agent | 2026-09-21 | cs.LG | score 6/10

Time-Series ForecastingAgentic AISelf-Evolving PolicyDelayed FeedbackOrchestration

RATL: Learning from Retrieved Residuals for Robust Multivariate Time-Series Forecasting

RATL：检索历史残差用于鲁棒多变量时间序列预测

🧭 检索增强 · 残差反馈修正

Department of Automation, Tsinghua University · State Key Laboratory of Hydroscience and Engineering, Tsinghua University

将 RAG 思想用于连续预测：冻结基座模型，检索相似历史残差并路由融合以纠偏

📌 工作参考价值（4 点）

• 电商销量/流量/广告消耗等多变量预测场景，可维护基座模型的历史残差记忆库，上线后检索相似上下文残差做轻量级后处理纠偏，无需重训基座。
• 冻结已部署的预测模型，只额外训练残差检索与融合模块，降低迭代成本与上线风险，适合工程化快速验证。
• 利用验证集自动选择 correction strength 控制残差注入幅度，防止过度修正导致线上指标波动，该机制可迁移到任何 additive correction 的预估模型。
• set-aware router 按 forecast block 和 variable 维度选择残差，可借鉴到多指标联合预测（如 GMV、订单量、转化率），让不同指标学习不同的融合权重。

RAG | 2026-09-03 | cs.LG | score 6/10

Retrieval-AugmentedResidual CorrectionTime-Series ForecastingMultivariateiTransformer