摘要
时间序列预测在现实决策中至关重要。尽管基于大语言模型的预测器进展显著，但现有方法常缺乏显式的经验积累与持续进化能力。本文提出 MemCast，一种“学习至记忆”框架，将预测重构为经验条件推理任务。该方法从训练集中提取经验并构建分层记忆，涵盖历史模式、推理智慧及通用法则。推理阶段利用记忆引导过程、优化轨迹选择并支持反思迭代。此外，设计动态置信度自适应策略以实现不泄露测试分布的持续进化。实验表明该方法显著优于现有技术。
AI 推荐理由
论文提出基于记忆的框架，核心在于构建分层记忆架构并利用其指导推理，深度契合记忆机制主题。
研究机构
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China, Hefei, China
论文信息