用于概率时间序列预测的非平稳扩散
机器学习
2026-04-14 v3 人工智能
摘要
由于底层物理动力学和外部影响，时间序列的不确定性通常随时间变化。然而，现有的去噪扩散概率模型（DDPMs）受限于加性噪声模型（ANM）的恒定方差假设，往往无法捕捉这种非平稳特性。在本文中，我们创新性地利用位置-尺度噪声模型（LSNM）来放宽 ANM 的固定不确定性假设。我们基于 LSNM 设计了一个基于扩散的概率预测框架，称为非平稳扩散，该框架能够建模不确定性的变化模式。具体而言，NsDiff 将基于去噪扩散的条件生成模型与预训练的条件均值和方差估计器相结合，实现了自适应端点分布建模。此外，我们提出了一种不确定性感知的噪声调度，动态调整噪声水平以准确反映每一步的数据不确定性，并将时变方差集成到扩散过程中。在九个真实世界和合成数据集上进行的大量实验表明，NsDiff 与现有方法相比具有优越的性能。代码可在 https://github.com/wwy155/NsDiff 获取。
引用
@article{arxiv.2505.04278,
title = {Non-stationary Diffusion For Probabilistic Time Series Forecasting},
author = {Weiwei Ye and Zhuopeng Xu and Ning Gui},
journal= {arXiv preprint arXiv:2505.04278},
year = {2026}
}
备注
Accepted as spotlight poster at ICML