#Time-series Forecasting - AI Papers Daily

TimeRSI: Towards Self-Improved Agentic Deployment for Time-Series Foundation Models

TimeRSI：面向时间序列基础模型的自改进智能体部署

🧭 Agent 自动编排预测部署流程

Georgia Institute of Technology · University of Southern California · Samay AI

用 LLM coding agent 在冻结预测模型外围自动生成与迭代 pipeline，并通过自适应选择器提升时间序列预测部署效果

📌 工作参考价值（4 点）

把“冻结模型 + 外围 pipeline 自动迭代”迁移到电商预估/推荐：不改模型权重，由 coding agent 生成和修改特征注入、日历/活动信号、后处理或重排代码，在滚动历史回放窗口上评估，可显著降低人工 pipeline 调试成本。
借鉴错误反馈闭环：将回测中的分场景误差（如大促、时段、类目偏差）写成自然语言反馈给 agent 进行下一轮修改，比一次性搜索更有效；推荐系统可用“场景化 error report”驱动规则/校准代码生成。
在线集成 adaptive selector：按当前上下文和近期相似条件下的实际表现，从多个候选 pipeline/策略中动态选择，而不是固定单一版本；适合推荐场景中多召回/多后处理策略的在线组合选择。
工程落地时限定 agent 可修改空间（输入特征、输出校准、后处理逻辑）并做沙箱执行与回测成本控制，避免开放式搜索失控。

Agent | 2026-10-14 | HF Daily | score 7/10

ODTQA-FoRe：面向未来数据预测与推理的开放域表格问答数据集与框架

🧭 表格问答 · 时间序列预测 · 多Agent协作 ★ 深度解读

Beijing Normal University · Beijing Normal-Hong Kong Baptist University

提出首个结合时序预测与表格推理的开放域QA数据集及多Agent框架TimeFore，弥补LLM直接预测的缺陷

📌 工作参考价值（4 点）

Agent 角色拆分模式可直接复用：将复杂开放域预测问答拆为 Retriever（SQL 生成）、Forecaster（调用外部时序模型）、Analyzer（答案标准化）三个 Agent，每个 Agent 通过 in-context learning + 反馈循环实现可靠输出。在电商销量预测、商品价格趋势问答等场景中，可直接套用此架构，用专门模型弥补 LLM 预测弱点。
外部预测模型优于 LLM 直接预测：实验证明 TimeXer 等专用时序模型的 MSE 远低于通用 LLM 的 ICL 预测（2.50e7 vs 6.69e7），因此在实际业务数值预测任务中，无论模型多大，均应通过 function calling 调用成熟的时序模型，而非强求 LLM 自行拟合。
SQL 生成可用执行反馈自修复：Retriever 通过执行 SQL 并利用错误信息迭代修正（最多 25 次），能有效提升复杂多表查询的成功率。在电商数据资产查询或报表自动化场景中，这种自校正循环可大幅减少人工介入。
模板生成 + LLM 改写的数据集构建策略：先用模板生成可验证的 QA 对，再用 LLM 改写以增加语言多样性，保证质量的同时降低人工成本。适合快速构建垂直领域（如房产、金融）的预测型问答评估集。

Agent | 2026-06-01 | cs.IR | score 8/10