论文页面 - PathFM：多变量轨迹的快速生成式预测

来源：https://huggingface.co/papers/2610.22358

摘要

PathFM 是一种基于轨迹的预测模型，使用流匹配生成完整的未来路径，从而实现高效的多路径采样，并改进时间序列的依赖关系建模\。

时间序列基础模型 (https://huggingface.co/papers?q=Time%20series%20foundation%20models)在通用预测中日益普及\。然而，大多数领先模型预测的是边际分位数，并未明确未来轨迹的依赖结构\。对于累积需求、峰值负荷和事件发生时间等依赖轨迹的量，这一区别至关重要，但点预测评分和边际评分无法揭示这一点\。为建模这种依赖关系，我们提出了 PathFM，这是一种基于轨迹的预测 (https://huggingface.co/papers?q=trajectory-based%20forecasting)模型，使用流匹配 (https://huggingface.co/papers?q=flow%20matching)生成完整的未来路径\。我们进一步将模型蒸馏至一步或两步，并在多次采样之间共享历史注意力缓存\。这些方法共同使 PathFM 能够为单个序列生成多条路径，所需时间大致相当于对分位数模型进行一次查询\。蒸馏后的采样器还使直接优化校准损失 (https://huggingface.co/papers?q=calibration%20loss)变得切实可行\。PathFM 在成熟的预测基准 fev-bench 和 TIME 上取得了具有竞争力的边际准确性\。为补充这些评估，我们引入了预测路径评分基准 (fps-bench)，在 fev-bench 任务中增加了能量评分、变差函数评分 (https://huggingface.co/papers?q=variogram%20score)及下游指标\。在 fps-bench 上，PathFM 的综合路径评分高于所有参与评估的外部基线模型\。在混沌系统 (https://huggingface.co/papers?q=chaotic%20systems)上的实验进一步表明，我们的流模型能够维持长期变异性，而强大的基线模型则迅速坍缩\。PathFM 使生成式时间序列预测兼具竞争力与实用性，支持多种下游应用\。

查看 arXiv 页面 (https://arxiv.org/abs/2610.22358)查看 PDF (https://arxiv.org/pdf/2610.22358)添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2610.22358)

引用此论文的模型0

没有关联此论文的模型

在模型的 README.md 中引用 arxiv.org/abs/2610.22358，即可从此页面链接到该模型\。

引用此论文的数据集0

没有关联此论文的数据集

在数据集的 README.md 中引用 arxiv.org/abs/2610.22358，即可从此页面链接到该数据集\。

引用此论文的 Space0

没有关联此论文的 Space

在 Space 的 README.md 中引用 arxiv.org/abs/2610.22358，即可从此页面链接到该 Space\。

包含此论文的合集0

没有包含此论文的合集

将此论文添加到合集 (https://huggingface.co/new-collection)，即可从此页面链接到该合集\。