TSFLab：用于时间序列预测研究的自我改进型智能体无关工作台

arXiv:2610.40901v1 公告类型：新投稿 摘要：随着时间序列预测（TSF）相关论文和产品不断涌现，研究人员分析现有工作的负担日益加重。首先，并非所有论文都会公开代码。例如，在所调查的时间段内，arXiv 上仅约 20% 的 TSF 论文提供了代码链接。其次，已公开的代码也需要人工维护。因此，TSF 研究人员必须不断适配或实现现有工作。然而，独立实现可能在实验设置上存在差异，且难以维护。为此，我们提出利用 AI 智能体开展 TSF 研究的基准评测，甚至支持自动化研究，例如开发新的 TSF 模型。但直接应用 Claude Code 和 Codex 等现有编程智能体并非最优方案：其成本高昂，难以扩展到大型研究项目（例如基准评测），且缺乏自我维护能力。为应对这些挑战，我们提出 TSFLab，这是一个能够自我改进、不依赖特定智能体的“工作台”，为兼容的编程智能体提供共享资源和工具，以实现低成本的 TSF 研究和研究资源的持续维护。我们的实验涵盖复现、基准评测和新方法开发。在复现和基准评测中，相较于各基线，TSFLab 将任务完成率提高了 20–163%，并将每项已完成任务消耗的新增词元数减少了 11–66%。一项由智能体驱动的方法开发先导研究也表明，TSFLab 能够提高预测准确性，同时相较于其他设置，新增词元数减少了 32.8–73.6%，开发时间缩短了 9.2–68.8%。