从多步时间序列基础模型中高效生成相关样本路径
机器学习
2025-10-03 v1 机器学习
摘要
许多时间序列应用需要以样本路径的形式获取多步预测轨迹。近期，时间序列基础模型利用多步前瞻预测来提升多步预测的质量与效率。然而，这些模型仅为每个时间步预测独立的边缘分布，而非完整的联合预测分布。为了生成具有真实相关结构的预测样本路径，通常需要采用自回归采样，但这可能计算成本极高。在本文中，我们提出了一种基于 Copula 的方法，能够在单次前向传播中从现有的多步时间序列基础模型高效生成准确的相关样本路径。我们的基于 Copula 的方法生成相关样本路径的速度比自回归采样快数个数量级，并且通过缓解误差滚雪球现象，提升了样本路径的质量。
引用
@article{arxiv.2510.02224,
title = {Efficiently Generating Correlated Sample Paths from Multi-step Time Series Foundation Models},
author = {Ethan Baron and Boris Oreshkin and Ruijun Ma and Hanyu Zhang and Kari Torkkola and Michael W. Mahoney and Andrew Gordon Wilson and Tatiana Konstantinova},
journal= {arXiv preprint arXiv:2510.02224},
year = {2025}
}