SEER: ragionamento sugli eventi e recupero delle informazioni a evoluzione autonoma per la previsione delle serie temporali

Abstract degli autori

Le serie temporali del mondo reale sono spesso influenzate da eventi esogeni e cambiamenti strutturali, perciò le previsioni basate soltanto sulle osservazioni numeriche passate risultano insufficienti. Sebbene i modelli linguistici possano reperire notizie esterne, gli approcci standard basati sul recupero delle informazioni faticano a gestire l’elevato rumore, i segnali mancanti e l’incapacità di ragionare in termini causali sugli effetti degli eventi. Proponiamo SEER (Self-Evolving Event Reasoning and Retrieval), un sistema a ciclo chiuso che ottimizza dinamicamente l’uso degli eventi nelle previsioni delle serie temporali. SEER trasforma gli errori di previsione in due meccanismi di feedback indipendenti: (i) una memoria riflessiva per il recupero delle informazioni, che perfeziona le successive query di ricerca e filtra il rumore spurio, e (ii) una base di conoscenza causale persistente, che ricava dinamiche del dominio trasferibili. SEER impone rigorosi vincoli cronologici sia al recupero degli eventi sia alla riflessione, prevenendo il bias da anticipazione e il data leakage. Su sei benchmark di serie temporali volatili, SEER supera sistematicamente i più avanzati modelli di base per le serie temporali e i modelli linguistici di riferimento.