基于自回归移动扩散模型的时间序列预测

时间序列预测（TSF）是众多领域中的关键任务，近期出现的基于扩散的TSF模型展现了相当大的潜力。然而，这些模型通常采用传统的扩散模式，将TSF当作基于噪声的条件生成任务，这种做法忽略了时间序列固有的连续序列性质，导致扩散机制与TSF目标之间存在根本性的错位，从而严重削弱了性能。为弥合这一错位，并受经典自回归移动平均（ARMA）理论启发——该理论将时间序列视为从先前数据点演化而来的连续序列过程——我们提出了一种新颖的自回归移动扩散（Auto-Regressive Moving Diffusion, ARMD）模型，以实现基于连续序列的扩散TSF。不同于以往从白色高斯噪声开始的方法， our 模型采用链式扩散结构并引入先验条件，准确建模时间序列的演化过程，并利用中间状态信息提升预测准确性和稳定性。具体而言，我们的方法将扩散过程重新解释：将未来时序视为初始状态，将历史时序视为最终状态，在前向过程中通过滑动窗口技术生成中间时序。这种设计将扩散模型的采样程序与预测目标相吻合， resulting in 一个无条件的、连续序列的扩散TSF模型。在七个广泛使用的数据集上进行的大量实验表明，我们的模型实现了状态最佳的性能，显著优于现有的基于扩散的TSF模型。我们的代码已在 GitHub 上提供：https://github.com/daxin007/ARMD。