STReasoner

STReasoner 是面向时空时间序列推理的 Time Series LLM 框架节点。它把问题从“预测未来数值”推进到“解释异常来源、影响路径、空间依赖和未来变化”。

观察

传统时间序列模型更关注预测精度；STReasoner 关注的是交通、电力、疾病传播等系统中节点、时间动态、图结构和自然语言问题之间的推理关系。
来源描述其数据构造使用 Network SDE 和多 Agent 流程生成对齐的时间序列、空间结构和自然语言描述，再用 ST-Bench 评估因果溯源、实体识别、相关性推理和时空预测。
模型设计把时间序列编码器、图结构文本提示和语言模型结合起来，说明“让 LLM 读懂数值系统”需要显式对齐，而不是简单把表格/曲线转成文字。
S-GRPO 的空间感知奖励机制把“是否真正使用图结构”放进训练目标，避免模型只靠时间模式猜答案。
与潜空间数据同化相比，STReasoner 更偏解释和结构推理；前者更偏大气状态估计和物理一致性。
与世界模型相邻的是：复杂系统中的世界状态不只是未来值，还包括异常源、传播路径、结构依赖和可解释因果链。