论文略读:Auto-Regressive Moving Diffusion Models for Time Series Forecasting
AAAI 2025
- 在这篇论文中,时间序列的演进(
)被概念化为一个扩散过程
- 时间序列的每一步都可以看成是扩散模型的一个状态
- 未来序列
(下标表示在序列中的位置,上标表示在扩散模型中的状态)作为前向扩散(演进)过程的初始状态
- 历史序列
是最终状态
- 不同于传统方法逐渐添加噪声生成中间状态,这篇论文提出的ARMD通过对
进行滑动操作来生成中间状态
,使其逐渐接近历史序列
- ——>保持了时间序列的连续性
- ——>确保每个中间状态反映了时间序列演进的特定阶段
- 采样(预测)阶段,ARMD 从历史序列
开始,迭代生成对未来序列的预测,使采样过程和最终的时间序列预测目标对齐
-