用于时间序列预测的非自回归条件扩散模型
机器学习
2023-06-09 v1
摘要
近来，去噪扩散模型在图像、音频和文本生成方面取得了显著突破。然而，如何将其强大的建模能力适配于时间序列建模仍是一个开放问题。在本文中，我们提出 TimeDiff，一种非自回归扩散模型，通过引入两种新颖的条件机制——未来混合（future mixup）与自回归初始化——实现高质量的时间序列预测。类似于教师强制，未来混合允许使用部分真实未来预测作为条件，而自回归初始化借助短期趋势等基本时间序列模式更好地初始化模型。我们在九个真实世界数据集上进行了充分实验。结果表明，TimeDiff 持续优于现有时间序列扩散模型，并且在多种现有强基线（包括 transformers 和 FiLM）中取得了最佳综合性能。
引用
@article{arxiv.2306.05043,
title = {Non-autoregressive Conditional Diffusion Models for Time Series Prediction},
author = {Lifeng Shen and James Kwok},
journal= {arXiv preprint arXiv:2306.05043},
year = {2023}
}
备注
Accepted by ICML 2023 (Poster)