Diffusion-TS: Interpretable Diffusion for General Time Series Generation

本文提出了一种名为Diffusion-TS的新型扩散基框架，通过使用具有解耦时间表示的编码器-解码器变压器，生成高质量的多元时间序列样本。其中分解技术指导Diffusion-TS捕捉时间序列的语义意义，而变压器从嘈杂的模型输入中挖掘详细的序列信息。与现有的扩散基方法不同，我们训练模型直接重构样本，而不是在每个扩散步骤中去噪声，同时结合了基于傅里叶的损失项。预计Diffusion-TS可以生成既具有可解释性又真实的时间序列。此外，实验表明，所提出的Diffusion-TS可以轻松扩展到条件生成任务，如预测和填补，而无需进行任何模型更改。这也激励我们进一步探索Diffusion-TS在不规则设置下的性能。最后，通过定性和定量实验，结果表明Diffusion-TS在各种现实的时间序列分析中实现了最先进的结果。

本论文旨在提出一种新的基于扩散的框架Diffusion-TS，用于生成高质量的多变量时间序列样本。该框架结合了编码器-解码器变压器和分解技术，以直接重构样本而不是每个扩散步骤中的噪声来训练模型。

Diffusion-TS使用了一种新的方法来生成时间序列，即通过使用离散化的时间表示来对时间序列进行解耦，并使用变压器来挖掘噪声模型输入中的详细顺序信息。此外，该模型结合了傅里叶损失项来优化模型。

论文的亮点包括：1. Diffusion-TS可以生成符合可解释性和真实性的时间序列；2. 该模型可以轻松扩展到条件生成任务，如预测和插值，而无需进行任何模型更改；3. 实验结果表明，Diffusion-TS在各种现实时间序列分析方面均取得了最先进的结果。

在这个领域中，最近的相关研究包括：1. Glow-TS：一种基于正交流形的时间序列生成模型；2. DiffWave：一种基于扩散的生成模型，用于音频合成。