时间序列推理（TSR）的兴起背景 - 时间序列数据是现代社会的"数字脉搏"，广泛应用于金融风控、医疗诊断、能源调度和交通管理等关键领域[1] - 传统时间序列分析技术（如ARIMA、LSTM）在预测和异常检测等基础任务上已取得显著进展，例如用LSTM预测未来24小时城市用电量，用CNN检测心电图中的心律失常片段[1] - 随着应用需求升级，传统方法在解释性、因果推断和动态响应方面存在三大局限：缺乏解释性、难以处理因果、静态响应不足[8][14] - 大语言模型（LLMs）具备分步推理轨迹、因果假设生成和智能体交互能力三大核心能力，为时间序列分析带来范式革命[8][14] - 时间序列推理被定义为利用LLMs对时序数据执行显式结构化推理的方法，可融合多模态上下文与智能体系统，实现解释、干预与动态生成[8] 三维分类框架 - 综述构建了"推理拓扑-核心目标-属性标签"三维分类框架，系统化梳理时间序列推理领域[9] - 第一维度推理拓扑定义LLMs执行推理的流程结构，分为直接推理、线性链推理和分支结构推理三类[12] - 直接推理是单步映射结构，高效但缺乏可解释性，典型案例包括LLMTIME将预测转化为文本生成任务，HiTime在单次前向传递中生成类标签[15][17] - 线性链推理通过有序推理步骤序列提升可解释性，案例如TimeReasoner将预测视为深思熟虑过程，RAF引入检索增强框架[18][21] - 分支结构推理支持多路径探索和自修正，是最高级拓扑，案例如AD-AGENT多智能体异常检测框架，BRIDGE多智能体时序生成模型[22][23][27] - 第二维度核心目标定义推理意图，涵盖传统时间序列分析、解释与理解、因果推断与决策、时间序列生成四类[24][28] - 第三维度属性标签细化方法特征，包括控制流操作、执行主体、信息来源和LLM对齐方式四类辅助特征[28][29][30][31][32] 核心目标应用场景 - 传统时间序列分析目标用LLM增强预测、分类、异常检测和分割等基础任务性能，例如用LLM结合新闻预测股价，用VLM分析时序图表检测电力系统异常[28] - 解释与理解目标要求LLM输出人类可理解的解释，支持时序问答、诊断解释和结构发现等任务，例如生成ECG诊断报告时说明异常波峰出现时间及可能原因[28] - 因果推断与决策是高级目标，支持自主策略学习、辅助决策支持和控制优化，例如LLM结合市场数据学习交易策略，为医生提供用药剂量调整建议[28] - 时间序列生成目标聚焦数据合成，支持条件合成和场景模拟，例如基于文本描述生成温度数据，生成极端天气下的电网负荷数据用于测试[28] 资源与工具支撑 - 推理优先基准专门测试LLM推理能力，例如MTBench多模态时序问答基准要求结合文本报告与时序数据回答问题[34][36] - 推理就绪基准自带丰富辅助信息支持推理研究，例如GPT4MTS包含时序数据与文本描述，RATs40K异常检测基准包含异常原因文本标注[34][36] - 通用时序基准是传统任务测试床，例如FinBen金融时序基准支持预测和风险管理，UEA/UCR时序分类基准包含多领域数据[34][36] 核心挑战与未来方向 - 标准化评估需结合证据忠实性和决策效用等全面指标，构建压力测试基准应对数据分布偏移和长时域场景[34][37] - 多模态融合存在时间对齐、模态失衡和风格鲁棒性三大问题，需解决文本、图像与时序数据精准匹配难题[38][41] - 长上下文与效率挑战需开发时序压缩技术和优化推理效率，以处理现实中的超长时序数据[38][41] - 智能体与工具使用需解决行动选择、工具适配和风险控制等鲁棒性与安全性问题[38][41] - 因果推断落地需解决时间混淆变量和构建因果基准，实现从相关性到因果性的跨越[38][41] - 成本与实用性需开发轻量化推理技术，将成本纳入设计指标以平衡性能与计算开销[38][41] - 未来时间序列推理将向大规模可靠性迈进，构建能理解、解释并作用于动态世界的智能系统[39]