TimeMar：用于无条件时间序列生成的多尺度自回归建模
机器学习
2026-01-19 v1
摘要
生成式建模为时间序列分析中的数据稀缺和隐私挑战提供了有前景的解决方案。然而，时间序列的结构复杂性—— characterized by multi-scale temporal patterns and heterogeneous components——仍未得到充分关注。本文我们提出了一种结构解耦的多尺度生成框架，用于时间序列。我们的 method 将序列编码为多个时间分辨率上的离散标记，并以粗到细的方式进行自回归生成，从而保持层次依赖关系。为解决结构异构性问题，我们引入了双路径 VQ-VAE，以解耦趋势和季节成分，实现对语义一致的潜在表示的学习。此外，我们提出一种基于引导的重构策略，其中粗糙的季节信号用作先验，以引导细粒度季节模式的重构。六个数据集上的实验表明，我们的方法产生的时序质量优于现有方法。值得注意的是，我们的 model 在显著降低参数数量的同时实现了强性能，并在生成高质量长期序列方面表现出色。我们的实现已发布于 https://anonymous.4open.science/r/TimeMAR-BC5B。
引用
@article{arxiv.2601.11184,
title = {TimeMar: Multi-Scale Autoregressive Modeling for Unconditional Time Series Generation},
author = {Xiangyu Xu and Qingsong Zhong and Jilin Hu},
journal= {arXiv preprint arXiv:2601.11184},
year = {2026}
}