Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
TimeRSI сама улучшает прикладной конвейер вокруг модели прогнозирования временных рядов. В препринте Georgia Institute of Technology, University of Southern California и Samay AI, который не прошёл рецензирование и опирается на замеры самих авторов, система обошла прямой запуск той же модели на двух наборах задач. Для внедрения это предлагает альтернативу дообучению: сначала можно исправлять подготовку данных, признаки и обработку ответа.
Агент меняет обвязку, а не модель
Базовая модель временных рядов — заранее обученная модель, которая строит прогноз на новых данных без настройки весов под каждую задачу. Но прямой запуск не учитывает устройство конкретного процесса: закрытие магазина по праздникам, приливные циклы или ежедневный сброс накопительного счётчика.
TimeRSI оставляет веса базовой модели неизменными. Агент пишет Python-код для предварительной обработки данных, построения признаков, выбора исторического контекста и исправления готового прогноза. Он может добавить календарные признаки, разделить сигнал на компоненты, подключить вспомогательный предиктор или скорректировать повторяющуюся ошибку.
Каждую версию конвейера система запускает на завершённых исторических окнах. В таком окне ей доступны только сведения, которые существовали на момент прогноза, а результат уже известен и позволяет посчитать ошибку. Агент получает оценки, ошибки по отдельным окнам и журналы выполнения, после чего исправляет код или пробует другой подход.
Исторические данные разделены по назначению. Более ранние окна помогают агенту последовательно менять код, а более поздние позволяют отобрать варианты для эксплуатации. Поэтому конвейер, который удачно подогнался под первые проверки, не становится автоматически рабочим.
При эксплуатации TimeRSI не закрепляет один победивший вариант. Для очередного прогноза система описывает текущие условия через недавний уровень ряда, тренд и форму исходного прогноза, затем ищет похожие завершённые окна. Она выбирает конвейер с наименьшей взвешенной ошибкой в этих условиях, а после появления фактического результата обновляет историю выбора.
Обратная связь оказалась полезнее простого перебора
Проверка охватила 198 задач из TIME и FEV-bench. В основной конфигурации работали TimesFM и Claude Code; результат сравнивали с прямым запуском той же базовой модели, публичными решениями и поиском, который создавал столько же кандидатов, но не исправлял их по результатам предыдущих попыток.
На TIME система снизила среднюю абсолютную масштабированную ошибку MASE на 1,52% и непрерывную оценку ранжированной вероятности CRPS на 1,61%. Первая метрика оценивает точность точечного прогноза относительно масштаба ряда, вторая — качество вероятностного прогноза целиком.
На FEV-bench прибавка составила 2,79 процентного пункта по оценке навыка MASE и 2,26 пункта по масштабированной квантильной ошибке. Оценка навыка показывает выигрыш относительно принятого в наборе базового уровня: чем она выше, тем лучше.
Контрольное сравнение отделяет пользу итераций от пользы генерации кода. Простой перебор кандидатов без обратной связи уступил даже прямому прогнозу, тогда как последовательное исправление улучшило его. Значит, агенту недостаточно предложить несколько правдоподобных программ: ему нужны фактические ошибки на истории.
Схема также работала с TimesFM 3.0, Chronos-2 и LPTM, а код создавали разные агенты. Проверка охватывает именно TIME и FEV-bench; вывод относится к задачам, где доступны завершённые исторические окна и содержательное описание переменных.
В план стоит добавить контур проверки, а не замену модели
Работа не даёт основания немедленно менять базовую модель прогнозирования. Улучшение принесла программная обвязка: команда может сохранить выбранную модель, а поверх неё версионировать преобразования входа, дополнительные признаки и правила обработки ответа.
Такой контур имеет смысл, если продукт регулярно получает фактические результаты прогнозов. Историю нужно хранить так, чтобы воспроизводить состояние данных на прежний момент, отдельно проводить адаптацию и отбор, а затем сравнивать кандидатов в сходных условиях. Обычной случайной разбивки временного ряда для этого недостаточно, поскольку она может передать агенту сведения из будущего.
Описание задачи становится частью системы. Агенту нужны значения переменных, частота измерений и сведения о повторяющихся событиях. В примерах из работы именно это позволило превратить знания о выходных, приливах, праздниках и сбросах счётчика в исполняемый код, а не оставить их в документации.
Практический первый шаг — испытать схему рядом с действующим прогнозом: заморозить базовую модель, разрешить агенту менять ограниченный набор преобразований и проверять каждую версию на последовательных исторических окнах. Работа измеряет точность прогнозов, поэтому решение о промышленном запуске потребует отдельной оценки вычислительных затрат и времени ответа.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
