MG-TSD: Multi-Granularity Time Series Diffusion Models with Guided Learning Process

最近，由于扩散概率模型具有生成高保真样本的显著能力，因此在生成式时间序列预测中引起了关注。然而，由于其随机性质引起的不稳定性挑战，如何有效利用它们强大的建模能力来完成概率时间序列预测任务仍然是一个开放性问题。为了应对这一挑战，我们引入了一种新颖的多粒度时间序列扩散（MG-TSD）模型，通过利用数据内在的粒度级别作为中间扩散步骤的给定目标来指导扩散模型的学习过程，从而实现了最先进的预测性能。构建目标的方法是受到以下观察的启发：扩散模型的前向过程依次破坏数据分布以使其趋近于标准正态分布，这个过程与将细粒度数据平滑成粗粒度表示的过程直观地对齐，两者都导致细分布特征逐渐丧失。在研究中，我们推导了一种新的多粒度指导扩散损失函数，并提出了一种简洁的实现方法，以有效利用不同粒度级别的粗粒度数据。更重要的是，我们的方法不依赖于额外的外部数据，因此具有通用性和适用性。在真实数据集上进行的广泛实验表明，我们的MG-TSD模型优于现有的时间序列预测方法。

如何在概率时间序列预测任务中有效利用扩散概率模型的强建模能力？如何解决其随机性带来的不稳定性问题？

提出一种新的多粒度时间序列扩散（MG-TSD）模型，通过利用数据内在的粒度级别作为中间扩散步骤的目标，引导扩散模型的学习过程。该方法不依赖于外部数据，具有通用性和适用性。

使用新的多粒度指导扩散损失函数，提出了一种简明实用的实现方法来有效利用各种粒度级别的粗粒化数据。在真实世界的数据集上进行了广泛的实验，证明了MG-TSD模型优于现有的时间序列预测方法。

最近的相关研究包括：《Probabilistic Time Series Forecasting with Structured Gaussian Processes》、《DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks》等。