利用 LLM Agent bridging 时间序列预测的最后一公里

时间序列预测虽在基础模型上进展迅速，但实际应用中需结合弱结构化业务背景（如假期、活动、专家反馈）进行修正。本文将此阶段定义为“最后一公里预测”问题，提出一种置于预测骨干网之上的 LLM Agent 框架。该系统维护统一的工作空间，调用工具检索上下文证据，并在安全约束下将推理轨迹转化为明确的修正动作。此外，系统支持通过 Map-Reduce 式分解实现长 horizon 预测，并利用记忆库进行事后反思，旨在弥合统计预测与商业就绪预测之间的差距。