面向概率时间序列预测的残差基扩散隐式模型
机器学习
2025-09-03 v1 人工智能
摘要
概率时间序列预测 (PTSF) 在需要准确且具备不确定性感知预测的领域发挥着关键作用。然而，现有方法在分布建模方面效果不佳，且存在训练与评估指标之间的不匹配。令人惊讶的是，我们发现，将一个强大的点估计器augmented以一个均值为零的高斯分布，其标准差匹配其训练误差，即可在 PTSF 中实现最先进的性能。本文提出了 RDIT，一个即插即用的框架，将点估计与残差基条件扩散结合，并采用双向 Mamba 网络。我们在理论上证明，连续排序概率得分 (CRPS) 可通过调整到最优标准差来最小化，然后推导出实现分布匹配的算法。在八个多变量数据集上的评估显示，RDIT 在各种预测时域上实现了更低的 CRPS、更快的推理速度和更好的覆盖率。
引用
@article{arxiv.2509.02341,
title = {RDIT: Residual-based Diffusion Implicit Models for Probabilistic Time Series Forecasting},
author = {Chih-Yu Lai and Yu-Chien Ning and Duane S. Boning},
journal= {arXiv preprint arXiv:2509.02341},
year = {2025}
}