Cast‑R1: Lernbasierte Entscheidungsreihen für präzise Zeitreihenprognosen

Traditionelle Zeitreihenprognosen basieren meist auf modellzentrierten Ansätzen, die die Vorhersage als einmalige Abbildung von historischen Beobachtungen auf zukünftige Werte formulieren. In komplexen, sich wandelnden Szenarien stoßen diese Verfahren häufig an ihre Grenzen, weil sie weder eigenständig relevante Beweise sammeln noch zukünftige Veränderungen abwägen oder Vorhersagen iterativ anpassen können.

Cast‑R1 wandelt die Aufgabe in ein sequentielles Entscheidungsproblem um. Ein speicherbasiertes Zustandsmanagement hält entscheidungsrelevante Informationen über mehrere Interaktionsschritte hinweg, sodass kontextuelle Evidenz für langfristige Überlegungen aufgebaut werden kann. Der Agent nutzt ein moduläres Toolkit, um statistische Merkmale zu extrahieren, leichte Prognosemodelle zur Entscheidungsunterstützung aufzurufen, auf Basis von Reasoning Vorhersagen zu treffen und diese anschließend durch Selbstreflexion zu verfeinern.

Zur Schulung kombiniert Cast‑R1 einen zweistufigen Lernansatz: zunächst ein überwachtendes Feintuning, gefolgt von mehrschichtigem Reinforcement Learning, ergänzt durch ein Curriculum‑Learning‑Schema, das die Aufgabenkomplexität schrittweise erhöht. Umfangreiche Experimente an mehreren realen Zeitreihen zeigen, dass das System die Genauigkeit signifikant steigert und sich robust gegenüber dynamischen Datenveränderungen verhält.