当明日成为今日：面向智能体时间序列预测的自演化策略

智能体时间序列预测关注的是底层机制不断演化的系统，这使得数值模型、推理策略和干预规则的相对有效性天然随时间变化。因此，时间序列智能体必须调整其生成的预测结果，以及决定应信任哪些组件并如何协调这些组件的编排策略。随着预测时域逐渐结束、真实目标揭示早期决策的有效性，部署过程自然为这种适应提供了监督信号。在观测目标之前提交所有数值专家预测和候选智能体路径，可以让每个实际结果评估整个备选集合，从而在无需额外标注的情况下提供延迟反馈。然而，现有时间序列智能体主要通过预测细化、反思或检索来利用先前经验，却没有系统地将实际结果转化为对联合编排策略的持久更新，而该策略决定了后续预测起点所采用的方案。为系统性地利用这种延迟反馈，我们提出了 TimEvolve，这是一种冻结骨干网络的时间序列智能体，可将每个实际结果转化为对专家信任度、智能体路径选择和干预强度的持久联合更新。一个按时间顺序执行预测、揭示和更新的协议，会将这些反馈应用于后续预测。在八个 Time-MMD 领域上的实验表明，在十五种方法中，TimEvolve 的平均 MSE 和 MAE 排名最佳，并且在七个领域的这两项指标上均取得最低误差。这些结果证明了从部署过程中所经历的未来中学习预测策略的价值。