面向时间序列生成的群体感知扩散模型
机器学习
2025-05-01 v1 人工智能
摘要
扩散模型在生成高质量时间序列数据方面展现出了良好的能力。尽管取得了初步成功，但现有工作主要关注个体层面数据的真实性，而对保持整个数据集的群体层面属性关注较少。这些群体层面属性包括每个维度的值分布以及不同维度之间某些函数依赖关系（如互相关，CC）的分布。例如，在生成家庭能耗时间序列数据时，应保持室外温度和厨房温度的值分布，以及它们之间CC的分布。保持此类时间序列群体层面属性对于维持数据集的统计洞察、缓解模型偏差以及增强时间序列预测等下游任务至关重要。然而，现有模型往往忽略了这一点。因此，现有模型生成的数据通常与原始数据存在分布偏移。我们提出了面向时间序列的群体感知扩散模型，这是一种能更好地保持群体层面属性的新型时间序列生成模型。PaD-TS的关键创新包括：1）一种明确纳入时间序列群体层面属性保持的新训练方法；2）一种能更好捕获时间序列数据结构的新型双通道编码器模型架构。在主要基准数据集上的实证结果表明，PaD-TS能将真实数据与合成数据之间的平均CC分布偏移分数提高5.9倍，同时在个体层面真实性上保持与最先进模型相当的性能。
引用
@article{arxiv.2501.00910,
title = {Population Aware Diffusion for Time Series Generation},
author = {Yang Li and Han Meng and Zhenyu Bi and Ingolv T. Urnes and Haipeng Chen},
journal= {arXiv preprint arXiv:2501.00910},
year = {2025}
}
备注
Accepted for publication at AAAI-2025, 8 pages