基于多域集成分布的域融合可控泛化用于跨域时间序列预测
机器学习
2025-11-26 v2 人工智能
摘要
传统深度模型在时间序列预测中取得了前所未有的成功。然而，面对跨域泛化的挑战，现有研究利用统计先验作为提示工程的方法，在多个领域之间的巨大分布偏移下失效。在本文中，我们提出了一种新颖的时间序列泛化扩散模型(TimeControl)，它开创了域融合(Domain-Fusion)范式，通过扩散模型系统地将来自多个时间序列领域的信息整合到一个统一的生成过程中。与捕捉预测范围对历史序列条件概率的自回归模型不同，我们利用扩散去噪过程对跨域数据的混合分布进行建模，并直接利用条件采样为目标域生成预测序列。所提出的TimeControl包含三个关键设计：(1) 条件网络从观测序列中捕获多尺度波动模式，这些模式作为上下文表示来指导去噪网络生成预测序列；(2) 基于适配器的微调策略，在预训练阶段学习到的多域通用表示被用于目标域的下游任务；(3) 设计了一种新颖的混合架构来对齐观测空间和预测空间，使TimeControl能够灵活地生成任意长度的预测序列。我们在主流的49个基准和30个基线上进行了大量实验，TimeControl在所有数据域上都优于现有基线，展现出卓越的零样本泛化能力。
引用
@article{arxiv.2412.03068,
title = {Domain Fusion Controllable Generalization for Cross-Domain Time Series Forecasting from Multi-Domain Integrated Distribution},
author = {Xiangkai Ma and Xiaobin Hong and Mingkai Lin and Han Zhang and Wenzhong Li and Sanglu Lu},
journal= {arXiv preprint arXiv:2412.03068},
year = {2025}
}
备注
We have updated the abstract, introduction and related work. Additionally, we have incorporated the latest competitive baseline models