条件引导流匹配：提升时间序列预测的最后一公里
机器学习
2025-08-12 v3 人工智能
摘要
现有的生成模型用于时间序列预测常将简单先验（通常为高斯分布）转化为复杂的数据分布。然而，他们的抽样初始化独立于历史数据，限制了对时序依赖性的捕获，影响预测准确性。此外，这些模型仅将残差视为优化目标，忽略了残差常常具有有意义的模式，如系统偏差或非平凡分布结构。为此，我们提出条件引导流匹配（Conditional Guided Flow Matching, CGFM），一种新型模型无关框架，通过整合辅助预测模型的输出，扩展了流匹配方法。它整合了预测残差的概率结构，利用辅助模型的预测分布作为来源以降低学习难度并细化预测。CGFM将历史数据作为条件和引导，采用双侧条件路径（源和目标均基于相同历史数据），并使用仿射路径扩充路径空间，避免路径相交，保持时序一致性，加强分布对齐。跨数据集和基线的实验表明，CGFM consistently 超越了最先进的模型，推动了预测的发展。
引用
@article{arxiv.2507.07192,
title = {Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching},
author = {Huibo Xu and Runlong Yu and Likang Wu and Xianquan Wang and Qi Liu},
journal= {arXiv preprint arXiv:2507.07192},
year = {2025}
}