KairosAgent: 융합된 의미 추론을 통한 에이전트 기반 시계열 예측

KairosAgent: Agentic Time Series Forecasting with Fused Semantic Reasoning

다양한 도메인의 멀티모달 시계열 예측은 매우 어려운 과제로, 모델이 정확한 수치 이해, 다중 도메인 간의 의미적 이해 및 효과적인 멀티모달 융합을 수행해야 합니다. 기존 방법들은 주로 처음부터 시계열 기반 모델(TSFM)을 구축하거나, 사전 학습된 대규모 언어 모델(LLM)을 활용합니다. 하지만 TSFM은 종종 의미적 이해를 간과하며 미래 지향적인 의미 추론 능력이 부족하고, LLM은 수치 이해 및 정확한 정량적 예측에 어려움을 겪습니다. 이러한 한계를 극복하기 위해, 본 논문에서는 LLM 기반의 추론 엔진과 TSFM 기반의 예측기를 포함하는 새로운 에이전트 기반 멀티모달 시계열 예측 프레임워크인 KairosAgent를 제안합니다. KairosAgent는 분석 도구를 동적으로 호출하여 LLM의 수치 이해 및 의미 추론 능력을 향상시키고, 텍스트 기반 추론과 수치 예측을 통합합니다. 추론 결과는 이후 TSFM 파이프라인에 융합되어 더욱 정확하고 신뢰할 수 있는 미래 예측을 가능하게 합니다. 또한, 더 나은 추론을 위해 고품질 시계열 데이터의 대규모 코퍼스를 구축하고, 다단계 개선 및 세부 단계별 보상 부여를 포함하는 강화 학습 기반 예측 패러다임을 사용했습니다. 실험 결과는 KairosAgent가 사전 학습된 LLM 및 TSFM의 활용도를 극대화하면서 뛰어난 제로샷 예측 성능을 달성하며, 효율적이고 해석 가능한 시계열 에이전트에 대한 유망한 방향을 제시한다는 것을 보여줍니다. 프로젝트 페이지는 https://foundation-model-research.github.io/KairosAgent 에서 확인할 수 있습니다.

Cross-domain multimodal time series forecasting is a challenging task, requiring models to integrate precise numerical comprehension, cross-domain semantic understanding, and effective multimodal fusion. Existing approaches either build Time Series Foundation Models (TSFMs) from scratch or leverage pretrained Large Language Models (LLMs). However, TSFMs often overlook semantic understanding and lack the ability to perform future-oriented semantic reasoning, and LLMs struggle with numerical comprehension and accurate quantitative forecasting. To overcome these limitations, we propose KairosAgent, a novel agentic framework for multimodal time series forecasting, including an LLM-based reasoner and a TSFM-based forecaster. KairosAgent unifies textual reasoning and numerical forecasting by dynamically invoking analytical tools to enhance the numerical understanding and semantic reasoning capabilities of LLMs. The reasoning results are subsequently fused into the TSFM pipeline, enabling more accurate and reliable future predictions. To further improve the reasoning, we curate a large-scale corpus of high-quality trajectories, alongside a reinforcement learning from forecasting paradigm with multi-turn refinement and turn-level credit assignment. Experiments demonstrate that KairosAgent achieves superior zero-shot forecasting performance while maximizing the utility of pretrained LLMs and TSFMs, presenting a promising direction for efficient and interpretable time series agents. The project page is at https://foundation-model-research.github.io/KairosAgent .