基于扩散模型的时间序列预测增强方法DiffAT：突破数据稀缺瓶颈的连续性模式保持与多样性生成

【编辑推荐】本文提出DiffAT框架，首次将条件扩散模型（DDPM）引入时间序列预测（TSF）数据增强领域，通过补丁掩码重建和可学习软提示（soft prompts）技术，在保持时序连续性（如季节/趋势模式）的同时实现多样性生成，实验证明其在7个真实数据集上提升Autoformer模型性能达6.49%（26/28案例）。

　　

Highlight

本研究亮点在于：

● 提出首个面向时间序列预测（TSF）任务的扩散模型增强框架DiffAT

● 创新性采用软提示（soft prompts）技术替代传统文本提示，通过增强原型引导多样性生成

● 实验证实框架在7个真实数据集上提升Autoformer和LightTS模型预测精度最高达6.49%和3.11%

Related Work

现有时间序列数据增强方法存在两大局限：手工设计方法（如裁剪/掩码）会破坏关键时序模式（如季节性和趋势）的连续性；生成模型（如VAE/GAN）难以同时保持预测关键特征和生成多样性。扩散模型因其渐进去噪特性，在保持时序连续性和可控生成方面展现出独特优势。

Preliminary

基于去噪扩散概率模型（DDPM），DiffAT通过两阶段框架实现：

1）预训练阶段：采用补丁掩码（patch-wise masking）重建技术捕获长程时序依赖

2）引导增强阶段：通过从手工增强原型提取的可学习信号指导生成

Methods

DiffAT核心技术包括：

1）补丁级掩码重建：捕捉自相关和因果性等结构不变性

2）原型编码器：将传统增强方法（如噪声注入）转化为软提示向量

3）分类器引导扩散：实现分布保持的多样性生成

Experiments

在7个真实世界数据集测试表明：

● 在常规训练场景下提升5种预测模型156/168案例性能

● 少样本场景（1%训练数据）下54/60案例准确率提升

● 消融实验验证补丁掩码和软提示对性能的关键作用

Conclusions

DiffAT首次将条件扩散模型成功应用于TSF数据增强，通过：

1）渐进去噪保持时序模式连续性

2）原型引导注入潜在不变模式

未来可探索跨领域迁移和动态提示优化方向。

（注：根据要求已去除文献引用标识[1][2]和图示标识Fig.1等，专业术语保留英文缩写并采用_{/^{标签规范，如DDPM、VAE等）}}