摘要
现有时间序列模型通常仅专注于单一任务(理解或生成),难以在单次响应中同时提供数值预测及其解释。本文提出一种任务融合模型ReasonCast,旨在联合生成数值预测与自我解释文本。为此,我们构建了ReasonTS-Bench基准,识别五种基础模式以联合评估两项任务。通过微调LLM,ReasonCast能在单次自回归过程中同步生成推理链和预测结果。实验表明,该方法在预测精度上优于现有LLM和时间序列模型,并能提供可验证的因果推理。
AI 推荐理由
论文核心在于通过推理链解释时间序列预测,强调可解释性与因果推理,直接对应推理能力主题。
研究机构
LG AI Research
论文信息