TimeSeriesScientist: Un Agente de IA de Propósito General para el Análisis de Series Temporales

TimeSeriesScientist: A General-Purpose AI Agent for Time Series Analysis

October 2, 2025

Autores: Haokun Zhao, Xiang Zhang, Jiaqi Wei, Yiwei Xu, Yuting He, Siqi Sun, Chenyu You

cs.AI

Resumen

La predicción de series temporales es fundamental para la toma de decisiones en dominios tan diversos como la energía, las finanzas, el clima y la salud pública. En la práctica, los pronosticadores se enfrentan a miles de series cortas y ruidosas que varían en frecuencia, calidad y horizonte, donde el costo principal no radica en el ajuste del modelo, sino en el preprocesamiento, validación y ensamblaje intensivos en mano de obra necesarios para obtener predicciones confiables. Los modelos estadísticos y de aprendizaje profundo predominantes están adaptados a conjuntos de datos o dominios específicos y generalizan de manera deficiente. Se necesita urgentemente un marco general y agnóstico al dominio que minimice la intervención humana. En este artículo, presentamos TimeSeriesScientist (TSci), el primer marco agente impulsado por LLM para la predicción general de series temporales. El marco consta de cuatro agentes especializados: Curator realiza diagnósticos guiados por LLM aumentados con herramientas externas que razonan sobre estadísticas de datos para elegir un preprocesamiento específico; Planner reduce el espacio de hipótesis de elección de modelos aprovechando diagnósticos multimodales y autoplanificación sobre la entrada; Forecaster realiza el ajuste y validación del modelo y, basándose en los resultados, selecciona de manera adaptativa la mejor configuración del modelo y la estrategia de ensamblaje para hacer predicciones finales; y Reporter sintetiza todo el proceso en un informe completo y transparente. Con justificaciones transparentes en lenguaje natural e informes exhaustivos, TSci transforma el flujo de trabajo de predicción en un sistema de caja blanca que es tanto interpretable como extensible entre tareas. Los resultados empíricos en ocho benchmarks establecidos demuestran que TSci supera consistentemente tanto a los baselines estadísticos como a los basados en LLM, reduciendo el error de predicción en un promedio del 10.4% y 38.2%, respectivamente. Además, TSci produce un informe claro y riguroso que hace que el flujo de trabajo de predicción sea más transparente e interpretable.

English

Time series forecasting is central to decision-making in domains as diverse as energy, finance, climate, and public health. In practice, forecasters face thousands of short, noisy series that vary in frequency, quality, and horizon, where the dominant cost lies not in model fitting, but in the labor-intensive preprocessing, validation, and ensembling required to obtain reliable predictions. Prevailing statistical and deep learning models are tailored to specific datasets or domains and generalize poorly. A general, domain-agnostic framework that minimizes human intervention is urgently in demand. In this paper, we introduce TimeSeriesScientist (TSci), the first LLM-driven agentic framework for general time series forecasting. The framework comprises four specialized agents: Curator performs LLM-guided diagnostics augmented by external tools that reason over data statistics to choose targeted preprocessing; Planner narrows the hypothesis space of model choice by leveraging multi-modal diagnostics and self-planning over the input; Forecaster performs model fitting and validation and, based on the results, adaptively selects the best model configuration as well as ensemble strategy to make final predictions; and Reporter synthesizes the whole process into a comprehensive, transparent report. With transparent natural-language rationales and comprehensive reports, TSci transforms the forecasting workflow into a white-box system that is both interpretable and extensible across tasks. Empirical results on eight established benchmarks demonstrate that TSci consistently outperforms both statistical and LLM-based baselines, reducing forecast error by an average of 10.4% and 38.2%, respectively. Moreover, TSci produces a clear and rigorous report that makes the forecasting workflow more transparent and interpretable.