近日，认知智能全国重点实验室AGI研究组在通用时间序列预测基准GIFT-Eval上取得新进展。团队构建的情境认知时间序列预测智能体，截至2026年7月26日，在GIFT-Eval评测中持续保持领先表现，综合排名位居榜首，并在点预测精度、概率预测质量等核心指标上展现出优异性能。

面向复杂开放环境下时间序列预测任务中数据异质性强、外部情境动态变化以及模型泛化能力不足等挑战，该成果提出了一种情境认知的时序预测智能体框架。该框架融合情境理解、工具调用、自主推演与反思评估等能力，使智能体能够从数据感知、情境分析、预测生成到结果优化开展端到端推理，实现由传统“模型驱动的数据拟合”向“情境驱动的智能推演”的探索性转变。

研究背景

时间序列是复杂系统动态演化过程的重要观测载体，记录了电力、能源、交通、气象、医疗、金融等系统状态随时间变化的连续轨迹，是分析与理解复杂系统运行规律、感知系统状态变化、研判未来发展趋势的重要数据基础。在众多时间序列分析任务中，时间序列预测是最核心、最基础的任务之一，其目标是基于历史演化规律，并结合未来环境、事件等复杂情境信息，对系统未来趋势、关键状态及潜在风险进行科学推断。作为人工智能理解和认知动态世界的重要技术路径，时间序列预测广泛服务于电力供需平衡、城市交通调度、极端天气预警、工业设备运维、金融风险识别等国计民生关键领域。提升时间序列预测的准确性、可靠性和通用性，具有重要的科学价值与现实意义。

GIFT-Eval：通用时间序列预测的重要评测基准

GIFT-Eval是由Salesforce AI Research推出的通用时间序列预测评测基准，主要用于检验时间序列基础模型的零样本预测与跨场景泛化能力。该基准由23个基础数据集构建出97个评测配置，覆盖金融、能源、医疗、自然、销售、交通以及Web与云服务运维等七类领域，横跨秒级、分钟级、小时级、日级、周级、月级和年级等多种时间尺度，并同时考察单变量与多变量、短期与长期预测任务。为保证评测的公平性和可比性，GIFT-Eval采用统一的数据划分、预测设置、评价指标和结果汇总流程，并严格区分零样本模型与使用评测数据进行适配的模型。该基准通过MASE和CRPS分别评价点预测准确性与概率预测能力，已吸引包括南加州大学、康涅狄格大学、清华大学、中科院自动化所、Google、IBM、字节跳动、蚂蚁金服等在内的众多国内外顶尖知名高校与工业界团队参与。

情境认知的时间序列预测智能体系统

现实世界中的时间序列具有显著异质性。不同领域、采样频率和预测范围的数据，往往呈现出不同的趋势、周期、波动与异常模式；各类预测模型也具有不同的能力边界，单一固定模型难以在多样化场景中始终获得理想结果，同时团队前期在时间序列预测智能体方向开展了相关研究[1-3]。为此，团队构建了一套情境认知的时间序列预测智能体系统，面对新的预测任务，系统首先感知情境信息并理解数据特征，分析趋势、周期和异常模式；随后根据任务需求，动态选择并调用合适的时序基础模型，综合比较候选结果；最后通过一致性检验、误差诊断、置信度评估与反思优化，形成可靠的预测结果、预测区间和解释报告。整个过程可概括为：感知数据、理解任务、选择工具、推演未来、反思优化、形成预测。

[1] Mingyue Cheng, Xiaoyu Tao, Qi Liu, Ze Guo, and Enhong Chen. Position: Beyond Model-Centric Prediction — Agentic Time Series Forecasting. arXiv preprint arXiv:2602.01776.

[2] Mingyue Cheng, Jiahao Wang, Daoyu Wang, Xiaoyu Tao, Qi Liu, and Enhong Chen. Can Slow-Thinking LLMs Reason Over Time? Empirical Studies in Time Series Forecasting. In Proceedings of the 19th ACM International Conference on Web Search and Data Mining (WSDM ’26).

[3] Xiaohan Zhang, Tian Gao, Mingyue Cheng, Bokai Pan, Ze Guo, Yaguo Liu, Xiaoyu Tao, and Qi Liu. AlphaCast: A Human Wisdom–LLM Intelligence Co-Reasoning Framework for Interactive Time Series Forecasting. arXiv preprint arXiv:2511.08947.

总结

实验室聚焦面向复杂系统的情境感知时间序列智能，围绕多模态语义理解、慢思考认知推理、智能体自主交互和人机协同分析决策等方向持续开展系统研究，推动时间序列智能由单一数值预测向复杂情境理解与认知推理、人机交互与自主决策一体化演进。面向未来，将面向复杂开放环境与复杂系统演化中的关键科学问题和重大产业需求，深入探索情境认知推理、智能体预测和可信决策等核心理论与关键技术，加快原创成果在科学智能与产业应用中的转化应用，为构建可理解、会推理、能交互、可信赖的新一代时序智能系统提供理论、技术与平台支撑。