Graph2TS: 通过分位数图变分自编码器实现结构控制的时间序列生成
机器学习
2026-03-23 v1 人工智能
摘要
尽管近期的生成模型能够产生与边际分布接近的时间序列，但它们往往在保持全局时间结构与建模随机局部变化之间存在根本性张力，特别是对于具有弱或不规则周期性的高波动信号。在这种设定下直接进行分布匹配可能会放大噪声或抑制有意义的时间模式。在本工作中，我们提出了时间序列生成的结构-残差视角，将时间序列数据视为结构骨架与随机残差动力学的组合，从而启发将全局组织与样本级变异性分离。基于这一洞察，我们使用基于分位数的转移图来表示时间序列结构，紧凑地捕捉全局分布和时间依赖关系。在此表示基础上，我们提出了 Graph2TS，一个基于分位数图条件的变分自编码器，能够从结构图到时间序列进行跨模态生成。通过以结构而非标签或元数据为条件进行生成，该模型在保持全局时间组织的同时实现了受控的随机变化。在包括太阳黑子、电力负荷、心电图和脑电图信号在内的多样化数据集上的实验表明，与扩散模型和 GAN 基线相比，在分布保真度、时间对齐和代表性方面均有提升，凸显了结构控制和跨模态生成是时间序列建模的有前景方向。
引用
@article{arxiv.2603.19970,
title = {Graph2TS: Structure-Controlled Time Series Generation via Quantile-Graph VAEs},
author = {Shaoshuai Du and Joze M. Rozanec and Andy Pimentel and Ana-Lucia Varbanescu},
journal= {arXiv preprint arXiv:2603.19970},
year = {2026}
}