AAAI2025最新论文解读|Auto-Regressive Moving Diffusion Models for Time Series Forecasting用于时间序列预测的自回归移动扩散模型
论文标题
Auto-Regressive Moving Diffusion Models for Time Series Forecasting
用于时间序列预测的自回归移动扩散模型
论文链接
Auto-Regressive Moving Diffusion Models for Time Series Forecasting论文下载
论文作者
Jiaxin Gao, Qinglong Cao, Yuntian Chen
内容简介
本文提出了一种新颖的自回归移动扩散（ARMD）模型，用于时间序列预测（TSF）。该模型受到经典自回归移动平均（ARMA）理论的启发，将时间序列的演化视为一个扩散过程。与传统的基于噪声的扩散模型不同，ARMD通过滑动操作生成中间状态，从而更好地模拟时间序列的连续演化特性。实验结果表明，ARMD在多个基准数据集上均取得了优异的预测性能，显著优于现有的基于扩散的时间序列预测模型。
关键点
1.模型创新：
ARMD模型通过将时间序列的未来序列视为扩散过程的初始状态，历史序列视为最终状态，利用滑动操作生成中间状态，从而更好地模拟时间序列的连续演化过程。
2.性能优势：
在七个广泛使用的基准数据集上，ARMD在预测性能上显著优于现有的基于扩散的时间序列预测模型，如Diffusion-TS、MG-TSD等。
3.理论基础：
4.ARMD模型的设计灵感来源于ARMA理论，将时间序列的演化视为一个扩散过程，这为模型的有效性提供了理论支持。
4.实验验证：
通过与多种先进的时间序列预测模型进行比较，ARMD在多个数据集上均展现出优越的预测性能，证明了其在多变量时间序列预测任务中的有效性和鲁棒性。
5.应用前景：
ARMD模型在时间序列预测领域具有广泛的应用前景，可以应用于交通规划、能源管理和金融市场分析等多个实际场景。
AAAI2025最新论文合集：
希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！
论文代码
北京人形旗下天工造物具身智能开源社区，聚焦具身天工与慧思开物两大平台
更多推荐
4
0- 0
已为社区贡献5条内容
所有评论(0)