Can LLM Coding Agents Reason About Time Series?

📄 arXiv: 2606.16545v1 📥 PDF

作者: Filip Rechtorík, Ondřej Dušek, Zdeněk Kasner

分类: cs.CL

发布日期: 2026-06-15

备注: 17 pages, 7 figures

💡 一句话要点

提出编码代理以提升时间序列分析能力

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 时间序列分析 大型语言模型 编码代理 自动决策 统计测试

📋 核心要点

  1. 现有方法在处理时间序列数据时面临挑战，尤其是在自动化分析和决策方面的准确性不足。
  2. 论文提出通过编码代理的方式，使模型能够迭代查询数据，结合原始数据和代码的优势进行分析。
  3. 实验结果显示，编码代理在时间序列理解任务中比仅处理原始数据的模型提高了10%的准确率，但仍存在一定的错误率。

📝 摘要（中文）

大型语言模型（LLMs）在金融、医疗和环境监测等领域的自动决策系统中越来越受到重视，而时间序列数据在这些领域中普遍存在，但自动处理却面临挑战。本文探讨了三种方法：直接提供原始数值数据、使用LLM作为编码代理，或两者结合。研究表明，具有代码访问权限的代理在时间序列理解基准测试中表现优于仅处理原始数据的模型，提升幅度可达10%。然而，即使是表现最佳的代理，仍有22-34%的问题回答错误。通过分析模型输出，发现编码代理能够选择合适的统计测试，但常常忽视重要细节，而访问原始数据的模型则能通过简单计算得出正确结论。

🔬 方法详解

问题定义：本文旨在解决大型语言模型在时间序列数据分析中的不足，尤其是自动处理能力和决策准确性的问题。现有方法在面对复杂数据时，往往无法有效提取关键信息。

核心思路：论文的核心思路是利用编码代理的方式，使模型能够通过Python代码迭代查询和分析数据，从而提升对时间序列的理解能力。这样的设计旨在结合原始数据的直观性与编码的灵活性。

技术框架：整体架构包括数据输入模块、编码代理模块和输出分析模块。数据输入模块负责接收原始时间序列数据，编码代理模块通过Python代码进行数据查询和分析，输出分析模块则对模型的回答进行评估和反馈。

关键创新：最重要的技术创新在于引入了编码代理的概念，使得模型能够动态地与数据交互，而不仅仅是静态地处理输入。这一方法与传统的直接数据处理方式有本质区别，能够更好地适应复杂的时间序列分析任务。

关键设计：在参数设置上，模型使用了多种统计测试方法，并通过损失函数优化模型的输出准确性。网络结构方面，采用了适合时间序列数据的深度学习架构，以增强模型的学习能力和推理能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，具有代码访问权限的代理在时间序列理解基准测试中比仅处理原始数据的模型提高了10%的准确率。然而，即使是表现最佳的代理，仍有22-34%的问题回答错误，显示出模型在推理过程中的不足之处。

🎯 应用场景

该研究的潜在应用领域包括金融市场分析、医疗监测和环境数据评估等。通过提升时间序列数据的分析能力，能够为决策提供更为准确的依据，进而优化资源配置和风险管理。未来，该方法有望在更多领域中推广应用，推动智能决策系统的发展。

📄 摘要（原文）

Large language models (LLMs) are increasingly being used for automated decision-making systems in finance, healthcare, or environmental monitoring. Time series data are ubiquitous in these fields, yet hard to process automatically. Can time series be analyzed by LLM agents? We examine three approaches: providing the agent with raw numerical data, using the LLM as a coding agent, or a combination of both. In the coding agent setup, the model iteratively queries the data using Python code. Using two time series understanding benchmarks, we show that agents with code access can outperform models processing raw data by up to 10%. However, even the best performing agent still answers about 22-34% of the questions incorrectly. To get insights into models' strategies and reasoning gaps, we analyze the model outputs with a strong LLM judge. Our analysis reveals that coding agents can select appropriate statistical tests, but often miss important nuances. Meanwhile, models with access to raw data can reach the right conclusions using back-of-the-envelope calculations.