Time Weaver: A Conditional Time Series Generation Model

想象一下，根据天气、电动车的存在和位置等因素生成城市的电力需求模式，这可以用于冬季冻结期间的容量规划。这些现实世界的时间序列通常会附加异构的上下文元数据（天气、位置等）。目前，时间序列生成的方法通常忽略这些配对的元数据，而它们的异构性在将现有的图像、音频和视频领域的条件生成方法应用于时间序列领域时会带来几个实际挑战。为了解决这个问题，我们介绍了Time Weaver，这是一种新颖的基于扩散的模型，利用分类、连续甚至是时变变量的异构元数据，显著提高了时间序列的生成能力。此外，我们还表明，从图像到时间序列领域的标准评估指标的天真扩展是不够的。这些指标不会惩罚条件生成方法在生成的时间序列中未能重现特定于元数据的特征的低特异性。因此，我们创新了一种新的评估指标，准确地捕捉条件生成的特异性和生成时间序列的真实性。我们表明，Time Weaver在现实世界的能源、医疗、空气质量和交通数据集上，比如生成对抗网络（GANs）等最先进的基准测试表现提高了高达27%的下游分类任务。

解决时间序列生成中忽略元数据的问题，并提出一种新的评估指标。

Time Weaver是一种基于扩散的模型，利用元数据来生成时间序列。同时，提出一种新的评估指标来衡量模型的生成能力。

论文在多个真实数据集上验证了Time Weaver的性能，并与GAN等现有模型进行对比。实验结果表明，Time Weaver在下游分类任务上的表现比GAN等模型高出27%。同时，论文还提供了开源代码。

相关研究包括：1. SeqGAN：Sequence Generative Adversarial Nets for Automated Dialogue Generation；2. TGAN：Temporal Generative Adversarial Nets；3. MIMIC-III：A freely accessible critical care database。