FACTS-MAS：按证据通道拆分预测任务的多智能体框架
论文AI 评分 66/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇 arXiv 论文提出 FACTS-MAS，把预测所依赖的证据拆成时间动态、外生上下文、季节性、结构信息与离散事件五类通道，每个通道由独立智能体产出可单独检验的预测，并用防泄漏的历史回测衡量其相对朴素基准的预测能力；这些能力估计被用来加权融合各智能体结果，无信息量的证据会被剔除或降权，而非强行参与。校准环节按历史验证折选择领域特定的常数均值。在 Zillow 周度待售房源库存与 FRED 周度失业保险申请两项数据、15 个美国都市区、4/8/13 周三个预测跨度上，该方法优于朴素末值法与 TimesFM 基础模型，但因子调整指数平滑模型与融合结果表现相当。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载证据拆成五条通道
FACTS-MAS 的核心做法是把预测所依赖的异构证据按性质分到五条通道：时间动态、外生上下文、季节性、结构信息与离散事件。每条通道由一个智能体负责，产出格式统一、可独立检验的预测结果。这样做的目的是让不同来源的证据各自保留可追溯的贡献，而不是在进入模型前就被混在一起。框架本身不绑定具体领域，作者将其定位为领域无关的预测架构。
用回测给每个智能体打分
各智能体产出的预测会经过防泄漏的历史回测，与朴素参考基准比较，得到该通道预测能力的估计值。这些估计值随后被用作融合权重：对预测没有帮助的证据会被直接移除或降低权重，而不是被强制纳入最终结果。此外还有一套校准流程，依据历史验证折为具体领域挑选常数均值。作者把这一整套流程概括为「先检验、再校准、后重组」的证据通道处理协议。
两项真实数据的评测
评测选取两组公开周度数据：Zillow 的待售房源库存与 FRED 的失业保险申请，覆盖 15 个美国都市区，预测跨度设为 4 周、8 周和 13 周。在这两个任务上，FACTS-MAS 的融合预测同时优于朴素末值法和 TimesFM 基础模型。不过论文也给出一个反向结果：因子调整的指数平滑模型表现与融合预测相当。作者据此认为，该框架的价值更多在于提供一套系统化的证据检验与重组流程，帮助在特定应用领域里挑出最强的单一模型，而非保证融合一定带来增益。
为什么值得看
多智能体预测框架的完整评测与「融合未必胜过单模型」的诚实结论，对做时序预测选型的人有直接参考价值。
智能体论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。