ReasonCast: 추론을 통한 설명 가능한 시계열 예측

ReasonCast: Towards Explainable Time Series Forecasting with Reasoning

대부분의 시계열(TS) 모델은 특정 작업에 특화되어 있으며, 이는 주로 해석(예: TS에 대한 텍스트 답변 제공) 또는 생성(예: 숫자 예측값 제공) 중 하나입니다. 최근 들어 단일 아키텍처 내에서 두 가지 작업을 모두 처리할 수 있는 통합 모델이 등장하기 시작했습니다. 그러나 이러한 모델조차도 두 가지 결과를 별도의 작업 경로로 출력하며, 하나의 일관된 응답으로 시계열을 예측하고 그 예측의 이유를 설명하는 기능을 제공하지 못합니다. 본 논문에서는 1) 예측(생성)과 2) 자기 설명(이해)을 동시에 생성하여 1) 숫자 시계열 예측과 2) 해석 가능한 텍스트 기반 추론을 단일 응답으로 통합하는 작업 병합 모델의 필요성을 주장합니다. 이러한 기능을 체계적으로 연구할 수 있도록, 두 가지 작업을 동시에 해결하는 벤치마크와 레시피를 제시합니다. 벤치마크인 ReasonTS-Bench는 시계열의 다섯 가지 기본 패턴을 식별하고, 두 가지 작업의 공동 평가를 가능하게 합니다. ReasonCast는 모든 LLM을 미세 조정하여 두 가지 작업을 동시에 수행하도록 하는 레시피이며, 이를 통해 추론 체인과 예측값을 단일 오토레그레시브 방식으로 함께 생성하는 모델을 얻을 수 있습니다. 광범위한 실험 결과, ReasonCast는 예측 정확도 측면에서 기존의 LLM 및 TS 모델보다 우수한 성능을 보였으며, 검증 가능한 인과적 추론을 제공합니다. 관련 코드는 다음 주소에서 확인할 수 있습니다: https://github.com/seunghan96/reasoncast.

Most time series (TS) models are specialized for a single task, either understanding (i.e., returning text answers about a TS) or generation (i.e., returning a numeric forecast). Only recently have unified models begun to handle the two within a single architecture. Even these models, however, produce the two outputs as task-separated paths and cannot predict a series and explain why that prediction arises within a single coherent response. In this paper, we argue for a task-fused model that jointly produces 1) prediction (generation) and 2) selfexplanation (understanding), thereby integrating 1) numerical TS forecasting and 2) interpretable text reasoning within a single response. To enable the systematic study of this capability, we present both a benchmark and a recipe that jointly address the two tasks. The benchmark, ReasonTS-Bench, identifies five fundamental patterns underlying TS and enables the joint evaluation of both tasks. ReasonCast, our recipe for finetuning any LLM to perform both tasks jointly, yields a model that generates a reasoning chain and a forecast together in a single autoregressive pass. Extensive experiments show that ReasonCast outperforms both LLMs and TS models on prediction accuracy while producing verifiable, causal reasoning. Code is available at: https://github.com/seunghan96/reasoncast.