LLM-MAS×時系列予測 LLM-MAS × Time-Series Forecasting

Transcript

1. LLM-MAS×時系列予測 株式会社ニューロジカ 開発部 佐藤太陽
2. アジェンダ 時系列予測とは LLM-MASとは LLM-MASの適⽤ 研究事例 • 時系列予測とは • LLMマルチエージェントシステム(LLM-MAS)とは • LLM-MASの適⽤: 時系列予測にLLMマルチエージェントをどう組み込む？ • 研究事例 • まとめ © Neurogica Inc. まとめ
3. 時系列予測とは 時系列予測とは LLM-MASとは LLM-MASの適⽤ • 過去の観測から未来を推定する • 電⼒、交通、気象、医療、設備で使われる 研究事例 まとめ 弊社での研究事例[1]： 時系列予測タスク概要図 [1] 時系列基盤モデル（Time-Series Foundation Model; TSFM）も登場（例: Chronos / TimesFMなど） 多数の時系列データで事前学習し、様々なデータに共通して使える予測モデルの⼀種 © Neurogica Inc. [1] : https://speakerdeck.com/neurogica/decompssm-a-decomposition-based-state-space-model-for-multivariate-time-series-forecasting-icassp-2026
4. LLMマルチエージェントシステム(LLM-MAS)とは 時系列予測とは LLM-MASとは LLM-MASの適⽤ 研究事例 まとめ • LLM Agent: LLMに役割・情報・ツールなどを与え、1つの主体として判断や推論を⾏う • LLM-MAS: 複数のLLM Agentが情報を共有・議論・分担しながら1つのタスクを解く • 狙い: 異なる役割や視点を持つAgentの出⼒を組み合わせ、単⼀LLMとは異なる問題解決 ⼊⼒ • タスク • 情報 • ツール © Neurogica Inc. 出⼒ • 回答 • 計画 • 予測結果
5. LLM-MASの適⽤ 時系列予測とは LLM-MASとは LLM-MASの適⽤ 研究事例 まとめ 時系列予測にLLMマルチエージェントシステムをどう組み込むのか？ A. 時系列予測モデルが予測 LLM Agentは「予測モデルをどう扱うか」を⽀援 B. LLM Agent⾃⾝が予測 複数のLLM Agentがそれぞれ数値を予測し、最後に統合 ① LLM as Forecasting Planner [2] ③ Nexus [4] 課題: TSFMはニュースなどの⽂章を直接使いにくい 課題: 1つのLLMでは⻑期傾向と短期変動を同時に捉えにくい ➡TSFMが予測候補を出し、LLMが⽂章を読んで候補を選ぶ ➡⻑期 / 短期担当のLLM Agentが別々に予測して統合 ② TimeSeriesScientist [3] ④ Competition [5] 課題: 前処理・モデル選択・検証を⼈が繰り返す必要がある 課題: 複数LLMが予測しても、似た予測に寄りやすい ➡Agentが作業を分担し、選ばれた既存予測モデルが出⼒する ➡各LLM Agentの予測を競わせ、淘汰・反省で予測⽅法を改善 © Neurogica Inc. [2] : Nguyen, Huu Hiep, et al. “LLM as Forecasting Planner: Training-Free Text Conditioning for Time-Series Foundation Models.” https://arxiv.org/abs/2607.24892 [3] : Zhao, Haokun, et al. “TimeSeriesScientist: A General-Purpose AI Agent for Time Series Analysis.” https://arxiv.org/abs/2510.01538 [4] : Das, Sarkar Snigdha Sarathi, et al. “Nexus : An Agentic Framework for Time Series Forecasting.” https://arxiv.org/abs/2605.14389 [5] : Zhang, Yuxuan, et al. “Can Competition Enhance the Proficiency of Agents Powered by Large Language Models in the Realm of News-driven Time Series Forecasting?.” https://arxiv.org/abs/2504.10210
6. ①: 時系列基盤モデルの予測にテキスト情報を反映 時系列予測とは LLM-MASとは LLM-MASの適⽤ 研究事例 まとめ LLM as Forecasting Planner: Training-Free Text Conditioning for Time-Series Foundation Models, arXiv, 27 Jul 2026 • 背景: 時系列基盤モデル（TSFM）は、過去の数値系列から⾼精度に未来を予測できる。 • 課題: ニュースやイベントなど、数値履歴だけではわからない⽂章情報を予測に反映しにくい。 • 新規点: TSFMが複数の予測起動を⽣成し、LLMが⽂章⽂脈に合う候補を探索、評価して選ぶ。 予測値そのものはTSFMが出す。 LLM as Forecasting Planner概要図 [2] © Neurogica Inc. [2] : Nguyen, Huu Hiep, et al. “LLM as Forecasting Planner: Training-Free Text Conditioning for Time-Series Foundation Models.” https://arxiv.org/abs/2607.24892
7. ②: 予測モデルを試して選ぶ作業までAgentで⾃動化する 時系列予測とは LLM-MASとは LLM-MASの適⽤ 研究事例 まとめ TimeSeriesScientist: A General-Purpose AI Agent for Time Series Analysis, arXiv, 6 Oct 2025 • 背景: 実務の時系列予測では、前処理・モデル選択・ 検証・アンサンブルまで多くの⼯程が必要。 • 課題: 系列ごとに⼈が試⾏錯誤するため、作業負荷が ⼤きく、専⾨知識にも依存する。 • 新規点: Curator/Planner/Forecaster/Reporterの 4Agentで⼯程を分担。 Forecasterが複数モデルを学習・検証し、最良のモ デル構成で予測値を出す。 TimeSeriesScientist概要図 [3] © Neurogica Inc. [3] : Zhao, Haokun, et al. “TimeSeriesScientist: A General-Purpose AI Agent for Time Series Analysis.” https://arxiv.org/abs/2510.01538
8. ③: 複数Agentが異なる時間スケールから予測値を出⼒ 時系列予測とは LLM-MASとは LLM-MASの適⽤ 研究事例 まとめ Nexus : An Agentic Framework for Time Series Forecasting, arXiv, 14 May 2026 • 背景: LLMは数値系列だけでなく、ニュースやイベントなどの⽂章情報も同時に扱える。 • 課題: ⻑期傾向・短期変動・外部⽂脈を1つのLLMで考えさせると、予測性能が安定しにくい。 • 新規点: 予測をMacro/Micro/Contextなどの要素に分解し、複数LLM Agentの推論を統合して 最終予測を⽣成する。 Nexus概要図 [4] © Neurogica Inc. [4] : Das, Sarkar Snigdha Sarathi, et al. “Nexus : An Agentic Framework for Time Series Forecasting.” https://arxiv.org/abs/2605.14389
9. ④: 複数Agentの時系列予測を競争で改善する 時系列予測とは LLM-MASとは LLM-MASの適⽤ 研究事例 まとめ Can Competition Enhance the Proficiency of Agents Powered by Large Language Models in the Realm of News-driven Time Series Forecasting?, arXiv, 14 Apr 2025 • 背景: 複数のLLM Agentがニュースを参照し、 様々な時系列を予測する。 • 課題: 通常の議論では、Agentの予測や根拠が似 通い、誤った推論も広がりやすい。 • 新規点: Agent間に競争を導⼊し、淘汰・反省に よって予測を改善する。 Competition概要図 [5] © Neurogica Inc. [5] : Zhang, Yuxuan, et al. “Can Competition Enhance the Proficiency of Agents Powered by Large Language Models in the Realm of News-driven Time Series Forecasting?.” https://arxiv.org/abs/2504.10210
10. まとめ 時系列予測とは • • • • LLM-MASとは LLM-MASの適⽤ 研究事例 まとめ 時系列予測へのLLM-MASの組み込み⽅は、⼤きく2種類に分けられる ◦ 時系列予測モデルを残し、LLM Agentがその予測を⽀援する ◦ LLM Agent⾃⾝が時系列を予測する 時系列予測モデルを使う場合 ◦ 外部テキストを予測に反映する: LLM as Forecasting Planner ◦ 前処理・モデル選定などを⾃動化する: TimeSeriesScientist LLM Agent⾃⾝が予測する場合 ◦ 異なる時間スケールから予測して統合する: Nexus ◦ 複数Agentの予測を競争によって改善する: Competition LLM-MAS×時系列予測には、予測モデルを⽀援する⽅向と、LLM⾃⾝が予測する⽅向がある © Neurogica Inc.