扩散模型+时间序列结合创新方案整理

今天给大家推荐一个涨点发顶会的好方向：扩散模型+时间序列。这俩热点的结合可以轻松实现“1+1＞2”的效果。

扩散模型和时间序列的结合是一个新兴且活跃的研究领域，主要应用于时间序列的预测、插补和生成。

• 扩散模型在生成式人工智能领域展示了先进的成果，特别是在时间序列预测中。这些模型能够生成新的、原始的数据样本，反映指定数据集的统计特征。

• 扩散模型通过模拟从数据分布到噪声分布的逐步过程，然后通过逆向过程从噪声中恢复出数据，从而实现预测。

• 例如，TimeGrad是一种基于扩散模型的时间序列预测方法，它通过在每个时间步的去噪模块中额外输入一个hidden state来指导生成序列的过程。

• 扩散模型为时间序列分析提供了一种强大的工具，能够处理预测、插补和生成等任务，但仍有许多挑战和改进空间。

• 我整理出 多篇最新论文，并附上开源代码，方便大家复现找灵感。！

需要的同学私信我

回复“扩散模型+时间序列”即可全部领取

论文精选

论文1：Autoregressive Denoising Diffusion Models for Multivariate Probabilistic Time Series Forecasting

自回归去噪扩散模型在多变量概率时间序列预测中的应用

方法

• 自回归模型（Autoregressive Model）：提出了TimeGrad模型，一个自回归模型，通过在每个时间步长中从数据分布中采样来估计梯度。

• <