TimeDP：利用领域提示学习生成多领域时间序列

时间序列生成模型对于数据增强和隐私保护等应用至关重要。大多数现有的时间序列生成模型通常设计用于从特定领域生成数据。虽然利用其他领域的数据进行更好的泛化已被证明在其他应用领域有效，但由于不同现实世界时间序列类别之间模式的巨大差异，这种方法对于时间序列建模仍然具有挑战性。在本文中，我们提出了一种带有领域提示的多领域时间序列扩散模型，命名为TimeDP。在TimeDP中，我们利用一个时间序列语义原型模块，该模块定义时间序列原型来表示时间序列基，每个原型向量作为代表某些基本时间序列特征的“词”。应用原型分配模块来提取特定领域的原型权重，用于学习作为生成条件的领域提示。在采样过程中，我们从目标领域提取少量样本的“领域提示”，并使用领域提示作为条件生成时间序列样本。实验表明，我们的方法优于基线，提供了最先进的领域内生成质量和强大的未见领域生成能力。