Key points are not available for this paper at this time.
最近，由于扩散概率模型在生成时间序列预测中表现出令人瞩目的高保真样本生成能力，引起了关注。然而，如何有效利用其强大的建模能力进行概率时间序列预测仍然是一个未解决的问题，部分原因是其随机性所带来的不稳定性挑战。为了解决这一挑战，我们引入了一种新颖的多粒度时间序列扩散（MG-TSD）模型，该模型通过利用数据中的固有粒度水平作为中间扩散步骤的给定目标来引导扩散模型的学习过程，从而实现了行业领先的预测性能。构建目标的方法受到了观察的启发：扩散模型的前向过程顺序地将数据分布破坏到标准正态分布，这与将细粒度数据平滑为粗粒度表征的过程直观上是一致的，这两个过程都导致细分布特征的逐渐丧失。我们的研究推导出了一种新颖的多粒度引导扩散损失函数，并提出了一种简洁的实现方法，以有效利用不同粒度水平的粗粒度数据。更重要的是，我们的方法不依赖于额外的外部数据，使其在各个领域具有多功能性和适用性。对真实世界数据集进行的大量实验表明，我们的MG-TSD模型优于现有的时间序列预测方法.
Fan等（周五）研究了这个问题.