FlowTS：基于修正流的时间序列生成
机器学习
2025-02-11 v3 人工智能
摘要
基于扩散的模型在时间序列生成方面取得了显著成果，但存在计算效率低下的问题：通过迭代数值求解器求解高维ODE/SDE，每个样本需要数百到数千次漂移函数评估，导致成本高昂。为解决此问题，我们提出了FlowTS，一种基于ODE的模型，利用概率空间中的直线传输修正流。通过学习分布间的测地线路径，FlowTS借助精确的线性轨迹模拟实现计算效率，加速训练和生成，同时提升性能。我们进一步引入了一种受探索-利用权衡启发的自适应采样策略，平衡噪声适应与精度。值得注意的是，FlowTS无需重新训练即可从无条件生成无缝适应到有条件生成，确保高效的实际部署。此外，为增强生成真实性，FlowTS集成了趋势与季节性分解、注意力寄存器（用于全局上下文聚合）和旋转位置编码（RoPE）（用于位置信息）。在无条件设置下，大量实验表明FlowTS达到最先进性能，在Stock和ETTh数据集上的上下文FID得分分别为0.019和0.011（之前最佳：0.067，0.061）。在有条件设置下，我们在太阳能预测（MSE 213，之前最佳：375）和MuJoCo插补任务（MSE 7e-5，之前最佳2.7e-4）中取得了优越性能。代码可在https://github.com/UNITES-Lab/FlowTS获取。
引用
@article{arxiv.2411.07506,
title = {FlowTS: Time Series Generation via Rectified Flow},
author = {Yang Hu and Xiao Wang and Zezhen Ding and Lirong Wu and Huatian Zhang and Stan Z. Li and Sheng Wang and Jiheng Zhang and Ziyun Li and Tianlong Chen},
journal= {arXiv preprint arXiv:2411.07506},
year = {2025}
}