TimeGMM：基于自适应高斯混合模型与可逆归一化的单次前向概率预测
机器学习
2026-01-21 v1 人工智能
摘要
概率性时间序列预测对于量化未来不确定性至关重要，在能源和金融等领域有重要应用。然而，现有方法通常依赖计算成本高昂的采样或限制性的参数假设来刻画未来分布，这限制了预测性能并引入了分布失配。为应对这些挑战，本文提出 TimeGMM，一种基于高斯混合模型（GMM）的新型概率预测框架，可在单次前向传播中捕获复杂的未来分布。其关键组件是 GMM 适配的可逆实例归一化（GRIN），这是一个旨在动态适应时序-概率分布偏移的新颖模块。该框架集成了专用的时序编码器（TE-Module）与条件时序-概率解码器（CTPD-Module），以联合捕获时序依赖关系和混合分布参数。大量实验表明，TimeGMM 持续优于最先进的方法，在 CRPS 和 NMAE 指标上分别实现了最高 22.48% 和 21.23% 的提升。
引用
@article{arxiv.2601.12288,
title = {TimeGMM: Single-Pass Probabilistic Forecasting via Adaptive Gaussian Mixture Models with Reversible Normalization},
author = {Lei Liu and Tengyuan Liu and Hongwei Zhao and Jiahui Huang and Ruibo Guo and Bin Li},
journal= {arXiv preprint arXiv:2601.12288},
year = {2026}
}