时间序列预测正经历从模型驱动向智能体协作的范式转变。近期研究聚焦于通过大语言模型（LLM）增强预测能力，解决冷启动、上下文长度和事件理解等核心挑战。
- 主要进展
- 零接触预测与冷启动应对：论文《零接触预测编排》提出自动化时间序列模型应对云边连续体冷启动的方法，通过编排模型实现无需人工干预的部署。
- LLM增强预测：《InA-Probe: 指令感知主动探测》利用指令引导LLM主动探测关键信息，提升预测准确性；《LLM Agent填补时间序列预测的最后一公里》展示了智能体在数据清洗、特征提取等环节的自动化作用。
- 长上下文与事件推理：《时间序列模型为何需要长上下文窗口》论证了扩展上下文对捕捉长期依赖的必要性；Google Nexus框架通过事件推理将Claude版MAPE降低86.6%，多智能体拆解时间序列以理解外部事件影响。
- 规模扩展与误差校正：Toto 2.0标志着时间序列预测进入规模扩展时代，通过更大的模型和数据集提升泛化能力；UEC-STD提出通用误差校正器显著改进深度模型的长期预测结果。
当前焦点
业界正从单一模型向多智能体框架（如Nexus）和长上下文建模转移，强调事件驱动预测。未来观察点包括：LLM智能体在工业场景的可解释性与实时性，以及跨模态数据融合（如UTOPYA框架）的实用性。