当城市早高峰的车流数据实时涌入交通管控系统，当医院的心电图仪持续记录患者的心脏电活动，当股票交易所的行情面板每秒刷新数十次股价波动——这些伴随时间流逝不断产生的“时间序列数据”，早已成为现代社会运转的“数字脉搏”。从金融风控、医疗诊断到能源调度、交通管理，几乎所有关键领域的决策，都依赖于对这些时序数据的深度解读。
过去数十年间，时间序列分析领域涌现出了从经典统计模型（如ARIMA、ETS）到深度学习方法（如LSTM、Transformer）的大量技术，它们在“预测未来”“识别异常”等基础任务上取得了显著进展。例如，早期用LSTM预测未来24小时的城市用电量，用CNN检测心电图中的心律失常片段，这些传统技术早已落地于实际场景。
但随着应用需求的不断升级，传统方法的“能力边界”逐渐显现。在个性化医疗场景中，医生不仅需要模型判断“患者是否存在心律异常”，更需要知道“异常与哪些生理指标、哪个时间段的活动相关”；在自适应风险管理中，基金经理不仅需要股价预测结果，更需要理解“若政策调整，股价可能如何变化”的因果逻辑；在 autonomous 交通系统中，控制器不仅要检测拥堵，还需实时调整信号策略并验证效果——这些需求，都超出了传统时间序列分析仅输出结果、不解释过程的能力范畴。
与此同时，大语言模型（LLMs） 的爆发式发展，为时间序列分析带来了一场“范式革命”。不同于传统模型的“黑箱式拟合”，LLMs具备输出显式推理过程、生成因果假设、与外部工具协作的能力——这些特性，恰好击中了传统时序分析的痛点。正是在这一背景下，时间序列推理（Time Series Reasoning, TSR） 这一新兴领域应运而生，旨在将LLM的推理能力与时间序列的数据特性深度融合，构建能分析、能解释、能决策的新一代时序智能系统。
近日，来自加州大学洛杉矶分校（UCLA）、南加利福尼亚大学（USC）、阳明交通大学的跨校团队，联合发布了一篇题为《A Survey of Reasoning and Agentic Systems in Time Series with Large Language Models》的重磅综述。这篇综述不仅首次为“时间序列推理”给出了清晰的定义，更构建了一套覆盖“推理结构-任务目标-技术特征”的三维分类框架，系统梳理了领域内的研究成果、数据集与基准，并明确指出了未来的核心挑战与研究方向。对于希望进入这一领域的研究者，或是寻求技术落地的从业者而言，这篇综述无疑是一份“全景式路线图”。
论文链接：https://arxiv.org/pdf/2509.11575
开源仓库：https://github.com/blacksnail789521/Time-Series-Reasoning-Survey
为什么需要“时间序列推理”？传统方法的局限与LLMs的突破
在深入综述内容之前，我们首先需要理解一个核心问题：为什么要提出“时间序列推理”这一概念？
传统时间序列分析的核心是“预测”与“分类”——比如用ARIMA、LSTM预测未来股价，用CNN检测心电图中的异常片段。这些方法虽在特定任务上表现出色，但存在三大关键局限：
缺乏解释性：深度学习模型常被称为“黑箱”，即便能预测出“某患者存在心律异常”，也无法说明“异常与哪些生理指标、时间段相关”； 难以处理因果：当需要判断“若调整交通信号灯时长，能否缓解拥堵”时，传统模型只能基于相关性分析，无法推导干预措施的真实因果效应； 静态响应不足：面对动态变化的场景（如实时调整电网负荷、动态优化交易策略），传统模型无法像人类一样“逐步思考、迭代修正”。
而LLMs的出现，恰好为解决这些问题提供了新工具。综述指出，LLMs不仅能拟合数据模式，还具备三大核心能力：
分步推理轨迹：能像人类一样输出“第一步分析趋势、第二步验证异常、第三步推导结论”的显式推理过程； 因果假设生成：可基于时序数据提出“某事件可能导致另一事件”的因果假设，并结合领域知识验证； 智能体交互能力：能与外部工具（如数据库、模拟器）协作，甚至形成多智能体系统，实现“感知-规划-行动-反思”的闭环。
正是基于这些能力，“时间序列推理”被定义为：利用LLMs对时序索引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，不仅强化传统分析任务，还能实现解释、干预与动态生成。这一定义，也成为了整篇综述的核心出发点。
三维分类框架：从“如何推理”到“为何推理”
综述最核心的贡献，是构建了一个“推理拓扑-核心目标-属性标签”的三维分类框架，将零散的研究统一到系统性的框架下。这一框架不仅能帮助研究者定位现有工作，更能清晰识别领域空白。
第一维度：推理拓扑——定义“如何推理”的结构
推理拓扑描述了LLMs执行推理的“流程结构”，综述将其分为三类，构成了从简单到复杂的能力光谱：
1. 直接推理（Direct Reasoning）：单步映射，高效但“黑箱”
直接推理是时间序列推理中最为基础的拓扑结构，它的特点是模型直接将时间序列输入映射到输出，中间不产生或暴露任何推理过程。这种推理方式就像是一个“黑箱”，直接给出结果，却不展示得出结果的步骤。
在传统时间序列分析任务里，直接推理的应用十分广泛。以预测任务为例，LLMTIME把预测问题转化为对文本化数字的下一个token生成任务，通过采样多个延续结果来总结点预测和概率预测；CiK则引入了上下文辅助基准，通过直接提示的方式让模型输出结构化的概率预测。在分类任务中，HiTime通过对齐时间序列和文本语义，让经过调整的大语言模型在单次前向传递中就能生成类标签。而在异常检测方面，Zhou和Yu通过提示大语言模型和多模态大语言模型，使其从文本化序列或绘制的图像中一步返回异常区间。
虽然直接推理在简单任务上能快速给出结果，效率较高，但它的局限性也很明显。由于缺乏中间推理步骤，其可解释性差，面对复杂任务时，鲁棒性不足。比如在处理一些需要深入分析和复杂逻辑的问题时，直接推理可能无法准确把握数据中的复杂关系，导致结果的准确性和可靠性下降 。
综述中提到的典型案例包括：
LLMTIME：将时序数据转化为文本化的数字序列，用LLM以“下一个token预测”的方式实现时序预测； CMLLM：将风力发电机的SCADA信号转化为文本，结合领域知识前缀，让冻结的LLM直接生成预测token，再映射回数值。
2. 线性链推理（Linear Chain Reasoning）：分步执行，显式中间态
线性链推理，在直接推理的基础上有了进一步发展。它通过引入一个有序的推理步骤序列，每个步骤都依赖前一个步骤的输出，形成了一条逻辑连贯的推理链。这种结构使得中间状态能够被明确表示、检查和修改，大大提升了推理过程的可解释性和模块性。
在传统时间序列分析中，线性链推理的应用案例众多。像TimeReasoner将时间序列预测视为深思熟虑的推理过程，使用结构化提示让大语言模型在生成预测之前先分析模式；RAF引入检索增强框架，通过构建特定数据集的数据库，检索相关的时间序列片段来辅助预测。在分类任务中，TableTime将时间序列序列化为表格提示，用于无训练的分类；VL-Time则把时间序列转化为图像，利用视觉语言模型进行分类。
在解释与理解、因果推断与决策以及时间序列生成等任务中，线性链推理也发挥着重要作用。例如在解释与理解方面，Tan等人通过引导对变化的逐步分析来推断自然语言事件序列，从而解释观察到的时间片段；在因果推断与决策的自主政策学习中，FinAgent通过市场情报、检索等一系列有序步骤来做出交易决策。
不过，线性链推理也并非完美无缺。它的执行路径单一，缺乏分支和反馈机制，在面对需要同时探索多种可能性的复杂情况时，灵活性不足，可能无法全面考虑各种因素，影响最终的决策质量 。
典型案例包括：
TimeRAG：将时序数据切分为代表性片段，检索相似历史片段后，转化为自然语言提示输入LLM，实现预测； VLM4TS：两阶段异常检测——先用视觉编码器筛选候选异常，再用视觉语言模型（VLM）验证并修正结果，输出最终异常区间与解释。
3. 分支结构推理（Branch-Structured Reasoning）：多路径探索，灵活且自修正
分支结构推理是三种推理拓扑中最为复杂的一种。它允许推理过程在同一执行过程中分叉为多个路径，模型可以并行或顺序地探索不同的假设、候选预测、解释或计划。这种结构还支持反馈循环和交叉分支聚合，使得模型能够根据后续的信息对之前的输出进行修正和优化，大大增强了模型的灵活性和自校正能力。
在传统时间序列分析的预测任务中，Zhang等人将新闻驱动的预测视为一个竞争的多智能体过程，通过并行假设的迭代修剪和自我反思来改进预测；NewsForecast则通过对错误的反思和更新选择逻辑来调整预测。在分类任务里，ReasonTSC进行结构化的多轮推理，通过回溯探索替代方案来做出更准确的决策；ColaCare通过引发不同的智能体评论并融合结果，提升临床报告的预测准确性。
在解释与理解、因果推断与决策以及时间序列生成任务中，分支结构推理同样表现出色。例如在解释性诊断方面，TESSA通过协调多个智能体进行跨域解释性注释；在因果推断与决策的自主政策学习中，FinArena协调多个智能体进行金融决策；在时间序列生成任务中，BRIDGE通过多智能体团队的协作，生成可控的合成序列。
然而，分支结构推理的复杂性也带来了一些挑战。比如，分支的增长可能导致计算成本迅速增加，如何控制分支的数量和范围成为关键问题；同时，反馈循环可能引发不稳定性，模型需要精确地定义停止条件以确保推理过程的收敛性和可重复性 。
典型案例包括：
AD-AGENT：多智能体异常检测框架——生成智能体提出检测规则，审查智能体修正规则，记忆智能体存储历史经验，形成“生成-审查-修正”的分支循环； BRIDGE：时序生成模型——多智能体团队迭代提出、批判、修正文本描述，再基于描述生成符合约束的时序数据，实现“语义可控的生成”。
第二维度：核心目标——定义“为何推理”的意图
如果说推理拓扑是“方法”，核心目标就是“目的”。综述将时间序列推理的核心目标分为四类，覆盖了从基础分析到高级决策的全场景：
1. 传统时间序列分析：夯实基础任务
这是最基础的目标，涵盖传统时序任务，但用LLM增强性能或灵活性：
预测：如用LLM结合文本上下文（如新闻）预测股价（Yu et al., 2023）； 分类：如将心电图（ECG）信号与文本描述融合，用LLM分类心律类型（HiTime）； 异常检测：如用VLM分析时序图表，检测电力系统中的异常（VLM4TS）； 分割：如用LLM将长时序数据切分为有意义的子区间（MedTsLLM用于医疗信号分割）。
2. 解释与理解：让LLM“说清楚”结果
这一目标聚焦“可解释性”，要求LLM不仅输出结果，还能生成人类可理解的解释：
时序问答（Temporal QA）：如“2023年Q3的销售额环比增长了多少？”，LLM需从时序数据中提取信息并回答（Time-MQA）； 诊断解释：如生成ECG诊断报告时，说明“异常波峰出现在第10秒，可能与心肌缺血相关”（GEM）； 结构发现：如从工业时序数据中提取因果关系（如“温度升高导致压力上升”）（RealTCD）。
3. 因果推断与决策：从“描述”到“干预”
这是更高级的目标，要求LLM不仅分析数据，还能推导“如果做X，会发生Y”的因果效应，并支持决策：
自主策略学习：如LLM结合市场数据，自主学习“何时买入/卖出”的交易策略（FinAgent）； 辅助决策支持：如为医生提供“若调整用药剂量，患者心率可能如何变化”的建议（SocioDojo）； 控制优化：如LLM生成交通信号灯控制策略，优化路口通行效率（Open-TI）。
4. 时间序列生成：创造符合约束的“假数据”
这一目标聚焦“数据合成”，要求LLM生成符合特定约束的时序数据（如“生成符合‘早高峰拥堵、晚高峰平缓’的交通流量数据”）：
条件合成：如基于文本描述（“未来5天的温度先降后升”）生成时序数据（GenG）； 场景模拟：如生成极端天气下的电网负荷数据，用于测试系统鲁棒性（BRIDGE）。
第三维度：属性标签——细化方法的“辅助特征”
属性标签是对前两个维度的补充，描述了方法的“辅助特征”，共分为四类，帮助研究者更精细地分类工作：
控制流操作：如是否分解任务（如将预测拆分为“趋势预测+季节项预测”）、是否验证结果（如用另一个模型检查预测合理性）；
执行主体：如是否使用外部工具（如调用数据库检索历史数据）、使用多少智能体（单智能体/多智能体）；
信息来源：如是否融合多模态数据（时序+文本+图像）、是否访问外部知识（如调用知识库查询领域规则）；
LLM对齐方式：如用提示工程（Prompting）、监督微调（SFT）、强化学习（RLHF）等方式让LLM适配时序任务。
资源与工具：从数据集到基准，支撑研究落地
要推动领域发展，完善的资源与工具至关重要。综述专门梳理了三类核心资源，为研究者提供“开箱即用”的支撑：
1. 推理优先（Reasoning-First）基准：专门测试推理能力
这类基准的设计目标就是“考核LLM的推理能力”，而非仅测试预测 accuracy：
MTBench：多模态时序问答基准，要求LLM结合文本报告与时序数据回答问题（如“某患者的心率异常与用药时间是否相关”）； TimeSeriesGym：时序智能体基准，构建了可复现的环境，测试LLM在“规划-工具使用-迭代修正”中的表现； CiK：上下文依赖预测基准，测试LLM能否利用文本上下文（如“某地区发生自然灾害”）提升时序预测准确性。
2. 推理就绪（Reasoning-Ready）基准：自带“推理所需信息”
这类基准虽非专为推理设计，但包含丰富的辅助信息（如文本描述、领域知识），可直接用于推理研究：
GPT4MTS：多模态时序基准，包含时序数据与对应的文本描述（如“这是某城市2023年的降雨量数据”）； RATs40K：异常检测基准，不仅提供时序数据，还包含“异常原因”的文本标注，支持解释性研究； STOCK23：金融时序基准，包含股价数据与对应的新闻、财报文本，支持“文本-时序融合推理”。
3. 通用时序（General-Purpose）基准：传统任务的“通用测试床”
这类基准是传统时序任务的经典基准，可用于对比LLM与传统方法的性能：
FinBen：金融时序基准，包含股票、期货等数据，支持预测、风险管理等任务； UEA/UCR：时序分类基准，包含多领域数据（如传感器、医疗），常用于测试分类模型； TSFM-Bench：时序基础模型基准，包含多模态、多任务数据，支持大规模模型评估。
开放问题与未来方向：从“窄精度”到“大规模可靠性”
尽管时间序列推理已取得不少进展，但综述指出，领域仍面临六大核心挑战，这些挑战也定义了未来的研究方向：
1. 标准化评估：如何衡量“推理质量”？
当前评估多关注“预测 accuracy”，但推理质量需要更全面的指标：
需结合“证据忠实性”（解释是否与数据一致）、“决策效用”（推理结果能否提升决策效果）； 需构建“压力测试”基准（如数据分布偏移、长时域场景），而非仅测试简单场景。
2. 多模态融合与对齐：如何让LLM“看懂”时序+文本+图像？
多模态是时序推理的重要方向，但当前存在三大问题：
时间对齐：文本中的“昨天”、图像中的“某个时刻”与时序数据的时间戳如何精准匹配； 模态失衡：文本常包含更丰富的标签，导致LLM“重文本、轻时序”（如忽略时序中的细微变化）； 风格鲁棒性：将时序数据转化为图表时，不同绘图风格（如折线图、柱状图）可能导致LLM性能波动。
3. 长上下文与效率：如何处理“超长时序”？
现实中的时序数据常长达数月甚至数年，但LLM的上下文窗口有限：
需开发“时序压缩”技术（如保留关键事件、压缩冗余数据），在不丢失信息的前提下缩短输入长度； 需优化推理效率（如流式推理、增量更新），避免长时序导致的高延迟。
4. 智能体与工具使用：如何让LLM“安全地行动”？
智能体系统需解决“鲁棒性”与“安全性”问题：
行动选择：如何在“不确定环境”下选择最优行动（如“若预测不准，是否应暂停交易”）； 工具适配：如何应对工具API变更、数据格式变化等“现实问题”； 风险控制：如何设置“安全阈值”（如当推理置信度低于80%时，触发人工审核）。
5. 因果推断落地：如何从“相关性”到“因果性”？
因果推断是时序推理的核心目标，但落地困难：
需解决“时间混淆变量”（如“看似A导致B，实则是第三个变量C同时影响A和B”）； 需构建“因果基准”（如已知数据生成过程中的因果关系，用于验证LLM的因果推断能力）。
6. 成本与实用性：如何平衡“性能”与“成本”？
LLM推理的计算成本较高，需在性能与成本间权衡：
需开发“轻量化推理”技术（如用小模型完成基础步骤，大模型仅处理复杂推理）； 需将“成本”纳入设计指标（如“用1/10的计算量，实现90%的性能”）。
总结：时序推理的下一个十年
这篇综述不仅是对现有研究的梳理，更定义了“时间序列推理”这一新兴领域的核心范式。从“直接推理”到“分支结构推理”，从“预测”到“因果决策”，LLM正在将时间序列分析从“静态黑箱”转变为“动态、可解释、能行动”的智能系统。
未来的时间序列推理，将不再追求“窄范围的高精度”，而是向“大规模的可靠性”迈进——系统不仅能在实验室环境中表现出色，更能在金融、医疗、能源等关键领域中，基于可追溯的证据，生成可信的结果，真正实现“理解、解释、并作用于动态世界”。
