WaveStitch：基于扩散模型的灵活快速条件时间序列生成
机器学习
2025-11-05 v3
摘要
在特定条件下生成时间序列数据对于预测、插补和生成任务至关重要。此类数据通常具有元数据和部分观测信号，二者共同影响生成的值。然而，现有方法面临三个关键局限：（1）它们要么以元数据为条件，要么以观测值为条件，很少同时以两者为条件；（2）它们要么采用无法泛化到未见场景的训练时方法，要么采用忽略元数据的推理时方法；（3）它们在生成速度和跨时间窗口的时间连贯性之间存在权衡——要么选择速度慢但连贯的自回归方法，要么选择速度快但不连贯的并行方法。我们提出了 WaveStitch，一种基于扩散模型的新方法，通过以下方式克服这些障碍：（1）对元数据和部分观测信号进行双源条件化；（2）混合训练-推理架构，在训练期间结合元数据，并在推理时通过基于梯度的引导结合观测值；（3）一种新颖的流水线式范式，并行生成时间窗口，同时通过推理时条件损失和拼接机制保持连贯性。在多种数据集上，WaveStitch 展现了对任意观测信号模式的适应性，与 SOTA 相比实现了 1.81 倍更低的均方误差，并且在保持连贯性的同时，生成数据速度比自回归方法快达 166.48 倍。我们的代码可在以下网址获取：https://github.com/adis98/WaveStitch
引用
@article{arxiv.2503.06231,
title = {WaveStitch: Flexible and Fast Conditional Time Series Generation with Diffusion Models},
author = {Aditya Shankar and Lydia Y. Chen and Arie van Deursen and Rihan Hai},
journal= {arXiv preprint arXiv:2503.06231},
year = {2025}
}
备注
Accepted at ACM SIGMOD 2026