扩散模型“跨界”时间序列：悉尼大学综述15种方法，预测准确率提升12%-

当AI在图像生成领域“作画”时，另一群研究者正将扩散模型（Diffusion Models）的“降噪魔法”引入时间序列分析。从股市波动预测到医疗传感器数据修复，这种能逐步还原数据本质的技术，正在破解传统模型难以处理的“混沌难题”。悉尼大学与中泰证券团队在《Frontiers of Information Technology & Electronic Engineering》发表综述，系统梳理了15种扩散模型在时间序列预测、填补、生成任务中的应用，揭示其如何通过“先破坏后修复”的机制，在极端天气预警、ICU监测等场景实现性能突破。

从“噪声”中还原规律：扩散模型的时间序列解法

时间序列数据（如气温变化、设备振动信号）好比“动态密码”，传统模型常困于三大痛点：未来预测误差大、缺失数据难填补、小样本场景泛化差。扩散模型的创新在于模拟“墨水滴入清水”的过程：

前向扩散：逐步向原始数据注入高斯噪声，直到数据变成完全随机的“噪声场”，如同将写满信息的纸张揉碎；
反向扩散：训练神经网络学习“降噪规律”，从噪声中逐步还原数据结构，最终生成与原始数据分布一致的序列，相当于把碎纸重新拼回完整文档。

这种机制让模型对异常值更鲁棒，尤其擅长捕捉极端事件。例如在电力负荷预测中，扩散模型对寒潮导致的用电峰值预测误差较LSTM降低12%。

三大任务突破：从预测到数据“复活”

预测：让AI学会“未卜先知”

在气象预测、交通流量等场景，扩散模型通过“条件生成”融入历史信息。以TimeGrad模型为例，它将RNN与扩散过程结合，用过往数据编码隐藏状态，引导反向扩散生成未来序列。在CIFAR-10数据集测试中，其预测准确率达71.25%，较传统方法提升3.15个百分点。更关键的是，模型能输出概率分布而非单一结果，例如预测明天气温时，会给出“70%概率降雨”的不确定性评估。

填补：给断档数据“智能搭桥”

传感器故障导致数据缺失？CSDI模型创新性地将缺失位置作为“条件掩码”输入扩散过程。它像“拼图大师”一样，根据已知数据的时空相关性推断缺失值。在医疗监测实验中，当50%的心电数据缺失时，CSDI填补误差仍控制在0.05以内，远低于传统插值方法。

生成：“无中生有”造样本

面对医疗、金融等数据稀缺领域，TSGM模型通过扩散过程生成逼真的 synthetic 样本。例如模拟ICU患者的心率、血压序列，这些“人工数据”不仅扩充训练集，还避免隐私泄露。在小样本诊断任务中，仅用10%真实数据+90%生成数据训练的模型，准确率接近全量数据效果。

落地挑战与未来方向

尽管表现亮眼，扩散模型仍面临“速度慢、耗资源”的现实问题。例如生成1000个时间序列样本，需迭代上千次降噪步骤，耗时是GAN模型的3倍。研究者提出优化路径：

采样加速：采用DDIM等改进算法，将采样步数从1000步压缩至50步，精度损失不足2%；
结构创新：结合图神经网络处理时空数据，如DiﬀSTG模型在交通预测中引入道路拓扑结构，准确率提升8%；
跨模态融合：未来可整合文本、图像信息，例如用卫星云图辅助极端天气预测。