Dynamic Decomposition Diffusion Model for Probabilistic Multivariate Time Series Forecasting

Yuxin Li

doi:10.1109/tsp.2026.3733192

Dynamic Decomposition Diffusion Model for Probabilistic Multivariate Time Series Forecasting

2026-09-11

0

PRE

AI

DOI：10.1109/tsp.2026.3733192

原文链接

原文求助

摘要

En 中文

多变量时间序列(MTS)的准确概率预测对于许多实际应用至关重要，但由于这些信号固有的复杂性和非平稳性，仍具挑战性。为应对这些挑战，我们提出动态分解扩散模型(D3M)，该模型将先进的信号分解技术与基于扩散的生成模型相结合。D3M将MTS动态分解为窄带固有模态函数(IMFs)，并采用块通道独立变换器来有效管理增加的数据维度。一个条件扩散模型估计分解成分的概率分布，最终MTS分布作为所有成分的联合分布获得。这些模块无缝集成在一个贝叶斯联合优化框架内，提高了预测精度和不确定性量化。在六个真实数据集上的实验结果表明，D3M在准确性和鲁棒性方面均持续优于当前最先进的方法。

Keyword:

Bayes methods

diffusion models

empirical mode decomposition

forecast uncertainty

time series analysis

Dynamic Decomposition Diffusion Model for Probabilistic Multivariate Time Series Forecasting

摘要

期刊

机构

引用论文