MemCast：基于经验条件推理的记忆驱动时间序列预测

时间序列预测（TSF）在许多现实应用的决策中起着关键作用。近年来，基于大语言模型（LLM）的预测方法取得了显著进展。尽管这些方法有效，但现有方法往往缺乏显式的经验积累和持续进化能力。本文提出MemCast，一种学习到记忆的框架，将TSF重新表述为经验条件推理任务。具体而言，我们从训练集中学习经验并将其组织成层次化记忆结构，通过总结预测结果为历史模式、提炼推理轨迹为推理智慧、归纳提取的时间特征为一般规律来实现。在推理过程中，利用历史模式引导推理过程，使用推理智慧选择更优路径，而一般规律则作为反思迭代的标准。此外，为了实现持续进化，我们设计了一种动态置信度适应策略，在不泄露测试集分布的前提下更新单个条目的置信度。在多个数据集上的广泛实验表明，MemCast始终优于先前方法，验证了本方法的有效性。