AAAI 2025 | 时间序列演进也是种扩散过程？基于移动自回归的时序扩散预测模型

主要观点总结

本文介绍了在人工智能领域和时间序列预测领域中，自回归移动扩散（ARMD）模型的应用和优势。ARMD模型受自回归移动平均（ARMA）理论启发，重新定义了时间序列的扩散过程，实现了扩散机制与时间序列连续性之间的对齐，提升了模型性能。该模型在多个数据集上的表现超越了现有的基于扩散的时间序列预测模型。

关键观点总结

关键观点1: 自回归移动扩散（ARMD）模型的应用领域

ARMD模型在人工智能领域和时间序列预测领域都有应用，是一种新型的时间序列预测模型。

关键观点2: ARMD模型的理论基础

ARMD模型受自回归移动平均（ARMA）理论启发，重新定义了时间序列的扩散过程。

关键观点3: ARMD模型的优势

ARMD模型通过结合扩散机制和自回归特性，实现了时间序列预测目标，在预测效果和训练推理时间等方面都有明显优势。

关键观点4: ARMD模型的实验结果

ARMD模型在七个广泛使用的时序预测数据集上的表现超越了现有的基于扩散的时间序列预测模型，并且和最先进的端到端时间序列预测模型取得了相当的效果。

关键观点5: 投稿通道的介绍

PaperWeekly鼓励高校实验室或个人分享优质内容，原创首发稿件将获得业内具有竞争力的稿酬。投稿邮箱为hr@paperweekly.site，也可以直接添加小编微信（pwbot02）快速投稿。