> [!abstract] 概要(arXiv abstract の日本語訳) > 時系列予測は伝統的に、過去の観測値を将来の値へ写像する、モデル中心・静的・シングルパスの予測問題として定式化されてきた。このパラダイムは大きな進歩を牽引してきたが、情報量の多い特徴抽出・推論駆動の推定・反復的な改良・時間をかけた継続的適応が必要となる、適応的でマルチターンな設定では不十分であることが明らかになっている。本論文では、予測を知覚(perception)・計画(planning)・行動(action)・省察(reflection)・記憶(memory)から構成されるエージェント的プロセスとして再定式化する、エージェント型時系列予測(agentic time series forecasting: ATSF)を主張する。予測モデルのみに焦点を当てるのではなく、ATSF はツールと相互作用し、結果からのフィードバックを取り込み、経験の蓄積を通じて進化できるエージェント的ワークフローとして予測を組織化することを重視する。我々は 3 つの代表的な実装パラダイム——ワークフローベース設計、エージェント型強化学習、ハイブリッドエージェントワークフローパラダイム——を概説し、モデル中心の予測からエージェント型予測への移行に伴う機会と課題を議論する。総じて本ポジションは、時系列予測の交差点における将来研究の基盤としてエージェント型予測を確立することを目指す。 ## 論文情報 - タイトル: Position: Beyond Model-Centric Prediction—Agentic Time Series Forecasting - 著者・所属: [[Mingyue Cheng]]、[[Xiaoyu Tao]]、[[Qi Liu]]、Ze Guo、[[Enhong Chen]](いずれも [[University of Science and Technology of China]] / State Key Laboratory of Cognitive Intelligence、安徽省合肥) - 媒体・発表年: arXiv preprint(cs.LG)、2026 年(arXiv:2602.01776v4 [cs.LG] 11 Mar 2026、Preprint March 12, 2026) - コード: https://github.com/Mingyue-Cheng/atsf(PDF 脚注 1) - 既存 vault の単一ソース詳細メモ: [[papers/2026__arXiv__Position Beyond Model-Centric Prediction - Agentic Time Series Forecasting|papers/ の単一ソース詳細メモ]]を一方向参照する(本 source ページと同名基底のため `papers/` をパス修飾して曖昧さを排す)。 ## 概要 時系列予測を孤立した関数近似ではなく、環境と相互作用し経験から学ぶ動的な意思決定プロセスとして捉え直すポジションペーパーである。知覚・計画・行動・省察・記憶の 5 コンポーネントで予測を組織化し(Figure 1)、Workflow / AgenticRL / AgenticFlow の 3 実装パラダイムを比較する(Table 2)。進歩の主軸を「より良いモデルアーキテクチャの反復」から「ワークフロー設計・ツール構成・意思決定ポリシーのシステムレベルの進化」へ移すことを主張する。 ## 問題設定 従来の時系列予測は、過去の観測 $\{x_1,\ldots,x_T\}$ から将来 $\{x_{T+1},\ldots,x_{T+H}\}$ への写像 $f$ を学ぶ教師あり学習として、固定入力・所定の予測ホライズン・予測モデルのシングルパス実行で定式化される(§2.1)。論文はこの定式化が現実の予測実務(=本質的に適応的・マルチターン)と構造的に不整合だと指摘し、4 つの構造的限界を挙げる。 - **静的性**: 入力・特徴・ホライズンが定まると、目標の再検討や問題の再構造化の機構がなく、目標調整・タスク分解・動的文脈への対応ができない。 - **閉鎖的動作**: 外部ツールとの自律的相互作用が乏しく、予測は単一の予測モデルに閉じる。補完的分析・ドメイン知識・外部情報の統合が制限される。 - **シングルパス実行**: 反復的な評価・修正の内在機構を欠く。予測は一度生成され最終出力として扱われ、省察・前提検査・修正推論の支援がない。 - **明示的な経験蓄積の欠如**: 過去の予測知識は再学習やパラメータ更新を通じて間接的にしか吸収されず、経験転移・長期適応・継続的進化が限られる。 ## 提案手法 ### アーキテクチャ — 5 つのコアコンポーネント(Figure 1) ATSF は予測を、単一の予測関数ではなく以下 5 つを軸とした反復的意思決定プロセスとして構造化する(§3.2)。 1. **知覚(Perception)**: ノイズが多く異質で非構造的な入力から、タスクに関連する情報を予測判断の前に抽出する。無関係なシグナルを除去し、分布の差異を解消し、現在の予測目標にとって顕著なパターンを特定する。論文の position: 知覚は固定的な前処理ステップではなく、文脈・タスクに応じて「何を関連情報とみなすか」を決める適応的な認知プロセスである。 2. **計画(Planning)**: 行動に先立つ前提として予測タスクの大局観を与える。予測目標を定式化し、複雑なタスクを管理可能なサブタスクへ分解し、後続の行動を導く高レベル戦略を決める。position: 計画は一度きりでなく動的で、新しい観測・中間結果・外部フィードバックに応じて再計画(replanning)される。 3. **行動(Action)**: 計画した意思決定をツールとの自律的相互作用で実行する。予測モデルの呼び出し・統計分析・補助情報の検索・中間表現の変換を含み、**時系列予測自体を行動空間の 1 種にすぎないものとして扱う**(唯一の目標ではない)。position: 行動は並列(parallel; 中間推論なしに複数操作を同時実行)と逐次(sequential; 推論と実行を交互に行い中間結果が次の判断を導く)の 2 パターンに特徴づけられる。 4. **省察(Reflection)**: 予測結果を期待・前提・文脈的証拠に照らして評価・解釈・修正する。終端の評価ではなく内的な自己評価機構として、差異の特定・確信度と不確実性の評価・修正行動の要否判断を行う。position: 外部監督なしの自己省察・自己判断を支え、マルチターンの予測改良の基盤となる。 5. **記憶(Memory)**: インスタンス横断の経験転移と継続的進化を可能にする。生の観測でなく決定価値のある情報(反復パターン・有効戦略・失敗事例・文脈的規則性)を保存する。テキスト記述・知識グラフ・学習埋め込みなど複数形式を取りうる。position: 記憶は検索機構で文脈依存的に想起され、インスタンス/タスク/ドメインの各粒度で階層化され、動的に更新・再編される。 ツールキットは Figure 2 に整理され、Feature & Representation Tools(統計/構造/時間/頻度特徴・深層学習)、Analysis & Diagnostic Tools(誤差分析・残差分析・可視化・シナリオ分析)、Predictive Modeling Tools(統計モデル・基盤モデル・推論モデル)、および MCPs を含む。 ### ATSF の反復的意思決定プロセス(§3.3) 各意思決定サイクルが知覚→計画→行動→省察→記憶で構造化される。省察と記憶が計画へフィードバックし、前提の変化や新証拠に応じた**動的再計画**を可能にする。後付けの改良ではなく設計上反復的である点がシングルパス定式化との本質的な違いだとする。 ## 新規性 予測パラダイムの進化を 6 軸(汎化性 / 効率 / 学習 / ツール利用 / 進化 / 解釈性)で整理する(Table 1)。 | パラダイム | 代表手法 | 汎化 | 効率 | 学習 | ツール | 進化 | 解釈 | |---|---|---|---|---|---|---|---| | Statistical Modeling | ARIMA, CES, Prophet | 低 | 高 | ✓ | ✗ | ✗ | 高 | | Machine Learning | XGBoost, LightGBM, SVR | 低 | 高 | ✓ | ✗ | ✗ | 中 | | Deep Learning | TFT, DeepAR, Informer, PatchTST, ConvTimeNet, MTGNN | 中 | 中 | ✓ | ✗ | ✗ | 低 | | Foundation Models | Chronos, TimesFM, Sundial | 高 | 低 | ✓ | ✗ | ✗ | 低 | | LLM-based Generative | Time-LLM, TokenCast, LLMTime, PromptCast | 高 | 低 | ✓ | ✗ | ✗ | 中 | | Reasoning-Driven | TS-Reasoning, TimeOmni-1, Time-R1, TimeReasoner | 高 | 低 | ✗ | ✗ | ✗ | 中 | | **ATSF** | TimeCopilot, Timeseriesscientist, CastMind, Cast-R1 | 高 | 低 | ✗ | **✓** | **✓** | **高** | (Table 1. Evolution of time series forecasting paradigms: from statistical models to agentic llms.) ATSF は既存の全パラダイムが欠いていた**ツール利用**と**進化能力**を明示的に組み込む唯一のパラダイムであり、かつ高い汎化性と解釈性を両立する。既存の進歩がモデルアーキテクチャの反復に依存し、ワークフロー設計・ツール構成・意思決定ポリシーといったシステムレベルの進化を考慮してこなかった点を課題とし、進歩の主軸をシステム・ツールレベルの進化へ移す(§6.1 Opportunity 1)。 ## 実装パラダイム(§4 / Table 2) | パラダイム | コア機構 | 強み | 弱み | |---|---|---|---| | **Workflow** | 事前定義した DAG/SOP による構造化実行(例: LangGraph) | 高い解釈性・安定性・デバッグ容易 | 未知シナリオへの柔軟性が低い・硬直的プロセス | | **AgenticRL** | 試行錯誤と報酬フィードバックによるポリシー最適化 | 自律的進化・新規戦略の発見 | 学習が不安定・サンプル非効率・解釈困難 | | **AgenticFlow** | 明示的計画(Workflow)と暗黙的学習(RL/記憶)の統合 | 安定性と適応性のバランス・継続的改善 | アーキテクチャが複雑・チューニング困難 | (Table 2. Comparison of three agentic implementation strategies for time series forecasting.) - **Workflow**: 予測を認知ステップの連鎖として明示的に構造化する最も直接的な実現。end-to-end 学習なしに適応的な文脈選択・ツール呼び出し・反復修正を可能にする。エージェント的振る舞いはモデルの複雑さでなく予測活動の組織化に由来する、と強調する。 - **AgenticRL**: 予測を逐次的意思決定問題とみなし、予測モデル自体を RL に置換するのではなく、予測の意思決定(目標計画・行動選択・戦略修正)に RL を適用する。遅延報酬・下流影響・精度/頑健性/リスクのトレードオフを長期最適化の視点で扱う。 - **AgenticFlow(ハイブリッド)**: 全体のワークフローを明示的・解釈可能に保ちつつ、文脈選択・戦略切替・修正トリガといった局所的な意思決定点にのみ学習を適用する。制約された局所適応により柔軟性と安定性を両立する。 ## 代替的見解と議論(§5) ATSF は既存手法の置換ではなく概念的再枠組みだと位置づけ、関連視点との違いを整理する。 - **大規模/基盤モデルが既に多くを解決済みでは?** → それらは規模と表現学習で予測能力を高めるが、依然シングルパス実行に留まる。ATSF はモデル規模と直交し、計画・省察・記憶で予測の振る舞いを時間をかけて形作る(下層モデルの変更を要しない)。 - **複雑な予測パイプライン/自動ワークフローの一例では?** → 従来パイプラインは所定操作の静的実行グラフ。ATSF は文脈選択・ツール利用・修正を反復的な計画と省察で適応的に制御する動的意思決定プロセスである。 - **オンライン学習/適応モデリングとの関係** → それらは増分的パラメータ更新で非定常性に対処する。ATSF は明示的な記憶と省察を導入し、パラメータ更新を超えた経験蓄積・戦略修正・振る舞い適応を可能にする。 ## 機会と課題(§6) **5 つの機会**: (1) モデル反復からシステム・ツール進化へ、(2) 異種学習パラダイム(大規模モデル=計画/推論/省察、小規模モデル=効率/安定/信頼できる数値予測)の統合、(3) 反復的・仮説駆動・経験に基づく専門家的予測振る舞いのモデル化、(4) 非定常・不完全観測・イベント駆動の撹乱を伴う複雑シナリオへの適応、(5) 人間-エージェント協調による意思決定。 **7 つの課題**: (1) 経験蓄積・転移のための記憶設計(古い/誤った記憶の劣化防止)、(2) ツールキットの基盤整備と標準化(モジュール化・構成可能・検証可能な抽象)、(3) マルチエージェント協調(役割分担・情報共有・信用割り当て)、(4) 不確実性下の信頼性・安定性(反復推論が誤りを増幅しうる)、(5) 効率性とスケーラビリティ(資源を意識した選択的なエージェント機構)、(6) 安全性・プライバシー・展開制約(監査可能性・制御可能性・規制準拠)、(7) 予測から意思決定への説明責任(予測が下流アクションを自動化する際の責任帰属)。 ## 強み / 弱点・課題 - **強み**: 新パラダイムを明確に定義し、6 軸の Table 1 で既存手法との差分(ツール利用・進化)を体系的に示す。5 コンポーネントの枠組みが直感的で、3 実装パラダイムの長短(Table 2)が均衡している。7 課題が具体的で研究アジェンダを明示する。 - **弱点・課題**: ポジションペーパーゆえ ATSF の有効性を示す直接的な実験的証拠を本論文内に持たない。3 パラダイムの定量比較やエージェント的アプローチの計算コスト見積もりが欠ける。既存の AutoML・ハイパーパラメータ最適化との差分の議論が薄い。記憶機構の具体的設計指針に踏み込んでいない。 > [!note] 既存 `papers/` ノートとの GitHub URL の差異 > 既存 `papers/` ノートは `code_url: github.com/Xiaoyu-Tao/Cast-R1-TS` を記すが、本 PDF の脚注 1 は `https://github.com/Mingyue-Cheng/atsf` を公式コードとする。本 source ページは PDF 脚注を一次として後者を採る(前者は同著者グループ実装 Cast-R1 のリポジトリと推定)。