少即是多：基于 LLaMA 风格自回归生成简单分解潜空间中的时间序列
机器学习
2025-11-10 v1
摘要
多变量时间序列的生成模型对于数据增强、仿真和隐私保护至关重要，但当前基于扩散的领先方法速度慢且仅限于固定长度窗口。我们提出了 FAR-TS 框架，一种简单而有效的方法，结合解耦分解与离散量化潜空间上的自回归 Transformer，生成时间序列。将每个时间序列分解为数据自适应基，捕获静态跨通道相关性和时间系数，并进行向量量化离散化为离散标记。随后，LLaMA 风格的自回归 Transformer 对这些标记序列进行建模，实现任意长度序列的快速可控生成。凭借其简洁设计，FAR-TS 在保持跨通道相关性和可解释潜空间的同时，比 Diffusion-TS 快一个数量级，实现高质量和灵活的时间序列合成。
引用
@article{arxiv.2511.04973,
title = {Less Is More: Generating Time Series with LLaMA-Style Autoregression in Simple Factorized Latent Spaces},
author = {Siyuan Li and Yifan Sun and Lei Cheng and Lewen Wang and Yang Liu and Weiqing Liu and Jianlong Li and Jiang Bian and Shikai Fang},
journal= {arXiv preprint arXiv:2511.04973},
year = {2025}
}