Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement
时间序列预测是一项具有重要意义的研究课题。然而,现实世界的时间序列数据通常记录在较短的时间段内,这导致深度模型与有限且有噪声的时间序列之间存在较大差距。本文提出用生成式建模来解决时间序列预测问题,并提出一种具有扩散、去噪和解缠的双向变分自编码器(BVAE),即D3VAE。具体地,提出一种耦合扩散概率模型,在不增加任意不确定性的情况下对时间序列数据进行增强,并利用BVAE实现更易于处理的推理过程。为了确保生成的序列朝着真实目标移动,进一步提出将多尺度去噪得分匹配自适应并集成到时间序列预测的扩散过程中。此外,为了增强预测的可解释性和稳定性,以多元的方式处理潜变量,并在最小化总相关性的基础上解缠它们。在合成数据和真实数据上的广泛实验表明,D3VAE以显著的优势优于竞争算法。
•我们提出了一种耦合扩散概率模型,旨在降低时间序列的任意不确定性,提高生成模型的泛化能力。
•我们将多尺度去噪评分匹配整合到耦合扩散过程中,以提高生成结果的准确性。
•我们对生成模型的潜在变量进行解纠缠,以提高时间序列预测的可解释性。
•在合成数据集和真实数据集上的大量实验表明,D3VAE的性能优于竞