CastFlow: 시계열 예측을 위한 역할 전문화 에이전트 워크플로우 학습

최근, 대규모 언어 모델 (LLMs) 은 시계열 예측 분야에서 큰 가능성을 보여주고 있습니다. 그러나 기존 대부분의 LLM 기반 예측 방법은 여전히 과거 관측치를 한 번의 통과로 미래 값에 직접 매핑하는 정적 생성 패러다임을 따르고 있습니다. 이 패러다임 하에서는 시간 패턴 추출의 제한성, 컨텍스트 특징의 단일 라운드 획득, 원샷 (one-shot) 예측 생성, 앙상블 예측 지원 부재 등으로 인해 예측이 제약받습니다. 이러한 한계를 해결하기 위해 본 연구에서는 다중 뷰 시간 패턴 추출, 다중 라운드 컨텍스트 특징 획득, 반복적 예측 정제, 앙상블 예측 기반 예측을 가능하게 하는 동적 에이전트 예측 프레임워크인 CastFlow 를 제안합니다.

첫째, CastFlow 는 예측 과정을 계획 (planning), 행동 (action), 예측 (forecasting), 성찰 (reflection) 로 구성하여 에이전트 워크플로우를 수립합니다. 둘째, 이 워크플로우는 이전 경험을 검색하는 메모리 모듈과 진단 증거를 구성하고 신뢰할 수 있는 앙상블 예측 베이스라인을 제공하는 다중 뷰 툴킷에 의해 지원됩니다. 셋째, CastFlow 는 범용 추론과 전문화된 수치 예측을 결합한 역할 전문화 (role-specialized) 설계를 채택합니다. 이 설계 하에서, 고정된 (frozen) LLM 은 범용 추론을 유지하는 반면, 미세 조정된 도메인 특화 LLM 은 앙상블 예측 베이스라인을 기반으로从头부터가 아닌 증거 기반의 수치 예측을 수행합니다.

미세 조정된 도메인 특화 LLM 을 최적화하기 위해 우리는 감독 학습 미세 조정 (SFT) 과 검증 가능한 보상 강화학습 (RLVR) 을 결합한 두 단계 워크플로우 지향적 훈련을 추가로 개발했습니다. CastFlow 의 효과성을 평가하기 위해 다양한 데이터셋에서 광범위한 실험을 수행하였으며, 강력한 베이스라인에 대해 우수한 전반적인 결과를 달성함을 보여주었습니다. 본 연구가 더 적응적이고 정확한 시계열 예측으로 나아가는 한 걸음이 될 수 있기를 희망합니다.