AI 中的时序推理是指系统理解、处理和基于时间相关信息做出决策的能力。 这包括处理按顺序发生的事件、动作之间的持续时间或时序影响结果的依赖关系。 例如，交付调度 AI 必须考虑一天中不断变化的交通模式，或者语言模型解释诸如“我会在会议后给你打电话”之类的句子需要掌握事件的顺序。 时序推理使 AI 能够模拟数据随时间的变化方式，这对于预测未来状态、分析历史趋势或响应实时输入等任务至关重要。
一个实际的例子是在机器人技术中，自动驾驶汽车必须推理行人移动、交通信号灯和自身加速的时机。 如果没有时序推理，车辆可能会将每个传感器读数视为独立的，从而导致不安全的决定。 同样，在医疗保健领域，AI 监控患者数小时或数天的生命体征需要检测趋势（例如，血压逐渐下降），而不是对单个读数做出反应。 诸如用于股票市场预测的时序预测模型也依赖于时序推理来识别历史数据中的模式并将它们预测到未来。 这些应用突出了时序推理如何通过考虑上下文和顺序将原始带时间戳的数据转换为可操作的见解。
从技术角度来看，时序推理通常涉及时序逻辑（例如，线性时序逻辑或 LTL）或概率模型（如隐马尔可夫模型 (HMM) 和循环神经网络 (RNN)）等框架。 例如，LTL 允许开发人员定义诸如“如果事件 A 发生，则事件 B 必须在 5 分钟内发生”之类的规则，这在安全关键型系统中很有用。 具有记忆单元的 RNN 擅长通过维护捕获时间依赖性的隐藏状态来处理文本或传感器流等顺序数据。 挑战包括处理不确定性（例如，事件之间不规则的时间间隔）和可扩展性——实时处理高频数据需要高效的算法。 诸如时序数据库或库（例如，用于时序预测的 Prophet）之类的工具为开发人员提供了实现这些概念的结构化方式，从而平衡了准确性和计算成本。