A Human-in-the-Loop Autonomous Agent for Industry Time Series Forecasting
作者: Xiaoyu Tao, Mingyue Cheng, Ze Guo, Bokai Pan, Qi Liu, Shijin Wang, Enhong Chen
分类: cs.LG
发布日期: 2026-08-31
💡 一句话要点
提出CastClaw以解决工业时间序列预测中的人机协作问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 时间序列预测 人机协作 自主系统 电力市场 自然语言处理 模型评估 领域知识整合
📋 核心要点
- 现有时间序列预测方法通常缺乏灵活性，无法有效结合用户输入和领域知识，导致预测结果的可靠性不足。
- CastClaw通过人机协作的方式，将用户的自然语言输入与专用预测模型相结合，提升了预测的准确性和可解释性。
- 在五个电价数据集上，CastClaw的表现优于16个基线方法，展示了其在实际应用中的有效性。
📝 摘要（中文）
现实世界中的时间序列预测通常不是一次性模型调用，实践者需要制定任务、连接数据与模型、融入领域知识、评估预测的合理性并传达不确定性。专门的预测模型提供强大的数值预测，但通常在固定的流程中运行，而通用的大型语言模型（LLM）代理往往缺乏特定于预测的检查、约束和停止规则。本文提出了CastClaw，一个基于人机协作的自主预测系统，通过预测导向的工程设计构建。CastClaw将数据、专用模型、分析工具、用户输入和版本化执行记录整合在一个运行时环境中，用户可以用自然语言指定目标、时间范围、约束和假设。CastClaw在五个电价数据集上报告了16个基线中最低的点估计均方误差（MSE）和平均绝对误差（MAE）。
🔬 方法详解
问题定义：本论文旨在解决工业时间序列预测中人机协作不足的问题。现有方法通常在固定流程中运行，无法有效结合用户的领域知识和输入，导致预测结果的可靠性和准确性不足。
核心思路：CastClaw的核心思路是构建一个人机协作的自主预测系统，使用户能够通过自然语言输入目标、约束和假设，从而增强预测过程的灵活性和可解释性。
技术框架：CastClaw的整体架构包括数据连接、专用模型、分析工具、用户输入和版本化执行记录等模块。系统首先接收用户输入，然后检查时间模式和约束，必要时进行数据检索或分析，最后生成预测结果并记录执行过程。
关键创新：CastClaw的主要创新在于其人机协作的设计，使得用户能够在预测过程中主动参与，提供输入和反馈，从而提升预测的准确性和可解释性。这与传统的固定流程预测方法形成了鲜明对比。
关键设计：系统设计中，用户输入的自然语言处理、时间模式检查和约束验证是关键环节。此外，CastClaw还设定了明确的停止条件，以确保预测过程的有效性和可靠性。具体的参数设置和损失函数设计尚未详细披露。
🖼️ 关键图片
📊 实验亮点
在五个电价数据集的实验中，CastClaw实现了最低的点估计均方误差（MSE）和平均绝对误差（MAE），优于16个基线方法，展示了其在实际应用中的卓越性能。Nord Pool案例进一步验证了其可检查的工作流程，增强了用户对预测结果的信任。
🎯 应用场景
CastClaw在工业时间序列预测中具有广泛的应用潜力，特别是在电力市场、金融预测和供应链管理等领域。通过增强用户参与和领域知识的整合，CastClaw能够提供更为准确和可解释的预测结果，帮助决策者做出更明智的选择。未来，该系统可能会扩展到其他类型的时间序列数据分析中，进一步提升其应用价值。
📄 摘要（原文）
Real-world time-series forecasting is rarely a one-shot model invocation: practitioners must formulate tasks, connect data and models, incorporate domain expertise, assess prediction plausibility, and communicate uncertainty. Specialized forecasting models provide strong numerical predictions but usually operate in fixed pipelines, while general-purpose large language model (LLM) agents often lack forecasting-specific checks, constraints, and stopping rules. We present CastClaw, a human-in-the-loop autonomous forecasting system built through forecasting-oriented harness engineering. CastClaw connects data, specialized models, analytical tools, user input, and a versioned execution record in one runtime. Users specify the target, horizon, constraints, and hypotheses in natural language. Starting from a supplied or model-generated forecast, CastClaw checks temporal patterns and user constraints; when evidence is missing, it retrieves context, runs an analysis or another model, or asks the user. It then keeps, revises, or escalates the result under explicit stopping conditions. The output contains the final forecast and an execution report recording inputs, evidence, actions, and revisions. In this five-dataset electricity-price setting, CastClaw reports the lowest point-estimate MSE and MAE among 16 baselines. A Nord Pool case demonstrates the inspectable workflow. CastClaw was also validated offline on provincial electricity-load data from North China covering January--June 2026.