MG-TSD：具有引导学习过程的多粒度时间序列扩散模型

最近，扩散概率模型因其生成高保真样本的卓越能力，在生成式时间序列预测中引起了广泛关注。然而，如何在其概率时间序列预测任务中有效利用其强大的建模能力仍是一个开放问题，部分原因在于其随机性带来的不稳定性挑战。为了应对这一挑战，我们引入了一种新颖的多粒度时间序列扩散（MG-TSD）模型，该模型通过利用数据固有的粒度级别作为中间扩散步骤的给定目标来引导扩散模型的学习过程，从而实现了 SOTA 的预测性能。构建目标的方法受到以下观察的启发：扩散模型的前向过程将数据分布逐步破坏为标准正态分布，直观上与将细粒度数据平滑为粗粒度表示的过程相一致，两者都导致细粒度分布特征的逐渐丢失。在本研究中，我们推导了一种新颖的多粒度引导扩散损失函数，并提出了一种简洁的实现方法，以有效利用跨各种粒度级别的粗粒度数据。更重要的是，我们的方法不依赖额外的外部数据，使其具有通用性并适用于各种领域。在真实世界数据集上进行的大量实验表明，我们的 MG-TSD 模型优于现有的时间序列预测方法。