研究方向
USTC-AGI 研究组在 Time Series Analysis 方向的代表性工作，涵盖预测、分类、异常检测、情境感知的时间序列分析、时间序列基础模型与 Agentic时间序列分析等多个方向。
时间序列预测
围绕时间序列预测中的多模态语义理解、慢思考认知推理与智能体自主交互，系统探索从情境上下文理解、长思维链推理到自主决策的能力演进。
从文本、事件、知识、环境变量与人类反馈等多源信息中抽取预测相关情境，增强模型对复杂外部因素的感知能力。
建模外部情境与未来趋势之间的关联机制，探索情境因素如何影响趋势变化、阶段转折与未来走向。
面向趋势突变、分布漂移与阶段性变化，研究非平稳时间序列的动态建模、漂移识别与未来演化预测。
量化未来趋势的多种可能路径，估计预测置信度、风险边界与不确定性来源，提升预测结果的可信度与可解释性。
时间序列基础模型
面向预测、分类、异常检测与插补等通用时序任务，系统研究时序基础模型从数据建设、模型设计到规模化训练规律的完整技术路线。
应用研究
围绕电力能源、云服务运维、气象环境、商业零售与医疗健康等真实时序场景，沉淀可落地的预测、诊断与决策应用研究。
领域应用研究
面向电力负荷、能源发电、云服务运维、气象环境、商业零售与医疗健康等真实时序场景，刻画领域知识、外部驱动因素与业务约束对序列趋势、周期波动和异常变化的影响，支撑可落地的预测、诊断、预警与决策应用。
面向居民、商业园区、城市级与工业用电负荷预测任务，融合温度湿度、节假日、工作日模式、重大活动、电价与需求响应等外部因素，刻画短时波动、峰谷转换和长期用能趋势，支撑电网调度、负荷预警、需求侧管理与低碳运行。
面向光伏、风电、水电与综合能源系统等发电预测任务，结合辐照度、云量、风速风向、气温、季节周期和设备状态，建模新能源出力的不确定性与快速爬坡过程，服务并网消纳、储能调度、发电计划优化和能源资产管理。
面向云平台请求量、服务流量、CPU/GPU 与存储负载、任务队列、延迟和错误率等运维时序，识别周期性业务节奏、突发流量、发布变更、故障事件和上下游依赖带来的趋势漂移，支撑容量规划、弹性扩缩容、资源调度、异常检测与 SLA 保障。
面向气温、降水、风场、空气质量、水文径流、极端天气和生态环境监测等时序数据，研究多源观测、空间邻近、季节周期、气候异常和人为活动对环境状态演化的影响，支撑灾害预警、环境治理、城市运行和科学机理分析。
面向商品销量、门店客流、库存周转、价格促销、广告投放和供应链履约等商业时序，研究季节性需求、节庆活动、区域偏好、价格弹性和渠道联动对经营指标的影响，支撑需求预测、补货决策、库存优化、营销排期和精细化运营。
面向电子健康记录、ICU 监护、生理信号、可穿戴设备、临床随访和药物疗效等医疗健康时序，建模患者状态转移、治疗干预、生理节律、个体差异和多模态检查结果之间的关联，支撑疾病进展预测、风险预警、疗效评估和智能辅助诊断。
情境感知的时间序列分析
面向复杂真实预测场景，研究多源多模情境上下文如何融入时间序列建模，让模型从序列模式拟合走向情境感知的未来趋势预测。
情境感知的时间序列分析
面向复杂真实预测场景，研究多源上下文情境如何参与时间序列建模、推理与动态更新，让模型从序列模式拟合走向情境感知的未来判断。
多源异构上下文情境如何有效表示、对齐并融入预测模型。
情境因素如何影响未来趋势，模型如何开展原因分析、假设探索与证据验证。
当情境变化或信息不完整时，模型如何主动获取新证据并动态更新预测。
时间序列认知大模型
时间序列认知大模型是一类面向复杂时序场景的新型基础模型。它不仅学习时间序列中的数值模式，还进一步理解序列所处的情境上下文，分析趋势变化背后的原因，并通过慢思考推理与记忆交互不断获取证据、修正预测判断，从而实现更可靠、更可解释和更具适应性的时序预测。
CastMind（星思）
以语言大模型为统一认知 Backbone 的时间序列基础模型。原始时序经 Time Series Feature Encoder 编码为 Temporal Embedding 后送入 LLM， 在长思维链慢思考过程中动态发现证据缺口、访问 Memory、检索历史相似模式并逐步修正预测判断—— 类比 Search-o1 的"边思考边检索"，实现交互式时序认知推理。
原始时序经多尺度 patch 投影与量化语义通路编码为 Temporal Embedding，送入预训练 LLM Backbone 进行联合推理。
推理过程中主动感知证据缺口，暂停推理转向 Memory 检索，获取补充证据后继续推理，实现真正意义上的交互式慢思考。
跨域持续预训练形成时序感知能力，SFT 学习慢思考指令推理，RL 通过可验证奖励优化预测判断与推理路径。
自主交互智能体系统
面向时间序列研究与分析工作流，建设可交互、可编排、可沉淀的智能体系统，将任务规划、实验执行、结果评估与研究记忆整合为端到端平台。
CastClaw（观星阁）
面向时间序列预测研究的人机协同智能体框架。CastClaw 通过 Planner、Forecaster、Critic 三个专属智能体编排完整预测流程，并在关键节点引入人类确认，将数据分析、特征工程与经典时序模型能力封装为可扩展的运行时工具箱。
NeoResearch（智多星）
面向时间序列预测小模型研发的自主研究智能体系统，将研究假设、模型配方、受控实验、评估归因与研究记忆串成可复现闭环，支持从问题定义到候选方案迭代的系统化研究流程。
开源项目
围绕时间序列预测、Agentic 分析、人机协同研究工作流与可复现实验平台，沉淀可复用的开源工具、系统框架与研究基础设施。