从噪声到规律：通过去噪动态图实现正则化时间序列预测
机器学习
2025-12-02 v2
摘要
长期范围的多变量时间序列预测具有挑战性，因为现实可行的预测必须(i)去噪异构信号、(ii)跟踪随时间变化的跨系列依赖关系，以及(iii)在长期预测预留中保持稳定且在物理上合理。我们提出了PRISM，将基于得分的扩散预条件器与动态、相关性阈值化图编码器相结合，并通过通用物理惩罚项进行正则化预测头。我们在轻微条件下证明了诱导的时域动力学收敛，并推导了图块的Lipschitz界限，解释了该模型的鲁棒性。在六个标准基准测试中，PRISM实现了一致的SOTA，具有强大的MSE和MAE收益。
引用
@article{arxiv.2510.17817,
title = {From Noise to Laws: Regularized Time-Series Forecasting via Denoised Dynamic Graphs},
author = {Hongwei Ma and Junbin Gao and Minh-ngoc Tran},
journal= {arXiv preprint arXiv:2510.17817},
year = {2025}
}