【ICML2025】用于概率时间序列预测的非平稳扩散方法

由于物理系统的内在动态性以及外部因素的影响，时间序列的不确定性往往具有随时间变化的特性。然而，现有的去噪扩散概率模型（Denoising Diffusion Probabilistic Models, DDPMs）通常未能有效捕捉这种非平稳性，这主要受限于其基于加性噪声模型（Additive Noise Model, ANM）所假设的恒定方差。 本文创新性地引入了位置-尺度噪声模型（Location-Scale Noise Model, LSNM），以放宽 ANM 中固定不确定性的假设。在此基础上，我们提出了一种基于扩散机制的概率预测框架，称为 非平稳扩散（Non-stationary Diffusion, NsDiff），能够建模不确定性随时间变化的模式。 具体而言，NsDiff 将基于去噪扩散的条件生成模型与预训练的条件均值和方差估计器相结合，从而实现了对终点分布的自适应建模。此外，我们还提出了一种感知不确定性的噪声调度机制，可动态调整每一步的噪声水平，以准确反映数据的不确定性，并将时变方差自然地融入扩散过程。 在九个真实与合成数据集上的广泛实验表明，NsDiff 在预测精度与不确定性建模方面均优于现有方法。 代码开源地址：https://github.com/wwy155/NsDiff