CastFSR: 컨텍스트 인지 시계열 예측을 위한 빠름-느림-반성 에이전트 기반 추론 프레임워크

CastFSR: A Fast--Slow--Reflect Agentic Reasoning Framework for Context-Aware Time Series Forecasting

시계열 예측은 복잡한 시스템의 의사 결정에 필수적이며, 미래 동향은 과거 관측 데이터뿐만 아니라 변화하는 컨텍스트 특징에도 영향을 받습니다. 최근 대규모 언어 모델(LLM)의 발전으로 예측은 단순한 수치 외삽을 넘어 컨텍스트 인지 추론 영역으로 확장되었습니다. 그러나 기존 방법들은 종종 관련 컨텍스트를 식별하고, 그 영향에 대해 추론하며, 시간적 및 도메인 제약을 기준으로 예측을 검증하는 명시적인 메커니즘이 부족합니다. 본 연구에서는 CastFSR이라는 에이전트 기반 프레임워크를 제안하며, 이는 컨텍스트 인지 예측을 빠름-느림-반성 워크플로우로 구성합니다. '빠른' 단계에서 CastFSR은 관측 데이터를 분석하고 경량 예측 모델을 선택하여 데이터 기반의 초기 예측을 생성합니다. '느린' 단계에서는 관련 컨텍스트 증거를 검색하고, 유용한 과거 기간을 적응적으로 결정하며, 컨텍스트가 미래 동향에 미치는 영향을 추론합니다. '반성' 단계에서는 시간적, 컨텍스트적, 도메인 일관성을 보장하기 위해 예측을 반복적으로 개선합니다. CastFSR은 기존 LLM을 활용한 학습이 필요 없는 추론과 함께, 두 단계의 지도 학습(SFT) 및 강화 학습 전략을 통해 최적화 기능을 소형 LLM으로 이전하여 효율적인 배포를 지원합니다. 공개 데이터 세트에서의 광범위한 실험 결과는 CastFSR이 대표적인 기존 모델보다 우수한 성능을 보임을 입증합니다. 저희 코드는 다음 링크에서 확인하실 수 있습니다: https://github.com/Xiaoyu-Tao/CastFSR.

Time series forecasting is fundamental to decision-making in complex systems, where future dynamics are influenced not only by historical observations but also by evolving contextual features. Recent advances in large language models (LLMs) have extended forecasting beyond numerical extrapolation toward context-aware reasoning. However, existing approaches often lack explicit mechanisms to identify relevant contexts, reason about their impacts, and validate forecasts against temporal and domain constraints. In this work, we propose CastFSR, an agentic framework that formulates context-aware forecasting as a Fast--Slow--Reflect workflow. In fast thinking, CastFSR profiles observations and selects lightweight forecasters to construct a data-driven forecast prior. In slow deliberation, it retrieves contextual evidence, adaptively determines informative look-back windows, and reasons about how contexts reshape future dynamics. In reflection, it iteratively refines forecasts to ensure temporal, contextual, and domain consistency. CastFSR supports both training-free inference with off-the-shelf LLMs and efficient deployment through a two-stage SFT and reinforcement learning strategy that transfers its orchestration capability to compact LLMs. Extensive experiments on public datasets demonstrate that CastFSR consistently outperforms representative baselines. Our code is available at https://github.com/Xiaoyu-Tao/CastFSR.