A Survey on Diffusion Models for Time Series and Spatio-Temporal Data

时间序列数据的研究对于理解趋势和随时间变化的异常非常重要，可以在各个领域提供预测性的见解。另一方面，时空数据对于分析空间和时间中的现象至关重要，提供了对于复杂系统相互作用的动态视角。最近，扩散模型在时间序列和时空数据挖掘中得到了广泛应用。它们不仅增强了序列和时间数据的生成和推断能力，而且扩展到了其他下游任务。在这篇综述中，我们全面和彻底地回顾了扩散模型在时间序列和时空数据中的应用，通过模型类别、任务类型、数据模态和实际应用领域进行分类。具体来说，我们将扩散模型分为无条件和有条件两种类型，并分别讨论时间序列数据和时空数据。无条件模型是无监督的，分为基于概率和基于得分的模型，用于预测和生成任务，如预测、异常检测、分类和填充。有条件模型则利用额外信息来提高性能，并分别用于预测和生成任务。我们的综述广泛涵盖了它们在医疗保健、推荐、气候、能源、音频和交通等各个领域的应用，为了提供扩散模型分析和生成数据的基础理解。通过这个结构化的概览，我们旨在为研究人员和实践者提供扩散模型在时间序列和时空数据分析中的全面理解，以期通过解决传统的挑战和在扩散模型框架内探索创新解决方案来引导未来的创新和应用。

本论文旨在全面而深入地回顾扩散模型在时间序列和时空数据挖掘中的应用，对其进行分类并讨论其在不同领域的实际应用。

本论文分类讨论了扩散模型在时间序列和时空数据中的应用，包括无条件模型和条件模型，以及它们在预测、生成、异常检测、分类和填补等任务中的应用。

本论文详细介绍了扩散模型在医疗保健、推荐、气候、能源、音频和交通等领域中的应用，并提供了开放数据集和开源代码。此外，本文还探讨了扩散模型在传统挑战和创新解决方案方面的应用。

最近的相关研究包括使用深度学习技术处理时间序列数据的研究，如LSTM、GRU和Transformer等模型，以及利用时空数据进行预测和建模的其他方法，如卷积神经网络和高斯过程回归等。