概率多元时序预测
DynG-Diff
以状态感知策略网络动态估计变量可靠性，重构多元时序预测的扩散引导机制。
论文摘要
多元时间序列（MTS）的概率预测对于复杂动态系统建模至关重要。然而，现有基于扩散的方法依赖任务特定的条件范式，灵活性不足，也难以处理内在的“信息异质性”——不同变量之间显著不同的噪声水平与演化模式。为此，我们提出 DynG-Diff，一种面向多元时间序列概率预测的变量敏感动态引导扩散框架。DynG-Diff 采用两阶段分离训练策略，使用无条件扩散骨干建模多元时间序列的联合分布先验；引入轻量级状态感知策略网络，从实时含噪状态与一步去噪估计中自适应推断变量可靠性，并输出动态引导强度矩阵；同时从数学上将动态权重表述为观测分布的局部精度，使模型能够在推理阶段对高置信变量进行精确引导，并过滤异常噪声的干扰。多个真实世界基准实验表明，DynG-Diff 相较先进的条件扩散模型取得了具有竞争力的概率预测表现，并提升了严重观测破坏场景下的鲁棒性。
解耦训练与变量级动态引导
DynG-Diff 由三个阶段组成：首先使用标准扩散损失预训练无条件去噪骨干，以学习多元时间序列的联合概率分布；随后冻结骨干，把当前含噪状态与一步去噪估计拼接后输入状态感知策略网络，并以重构逆误差作为代理目标，学习针对每个变量和扩散时刻的动态引导强度矩阵；推理阶段，策略网络在每一步重新计算权重，以变量级方式调制观测引导梯度，使高置信观测获得更精确的引导，同时抑制异常噪声的干扰。
在真实基准上验证精度、机制与鲁棒性
实验覆盖 ETTh1、Exchange、Weather、Appliance、Solar 与 Traffic 六个真实数据集，设置 96、168、336、720 四种预测长度，以 MSE 与 CRPS 比较 DynG-Diff 和 D3U、TMDM、TimeDiff、SSSD、CSDI、TimeGrad。DynG-Diff 在多数设置取得有竞争力的结果，ETTh1、Appliance 和 Weather 的平均 CRPS 分别为 0.321、0.395 和 0.190；Solar 在各预测长度上保持竞争力，而 Traffic 的超长预测仍存在概率校准空间。
消融结果显示，相比动态引导，无引导的平均 MSE 与 CRPS 分别恶化 125.6% 和 81.7%，统一标量引导分别恶化 26.1% 和 14.8%。预测区间和热力图进一步表明，策略网络生成的变量级权重能够跟随观测精度变化，并在极端噪声下比标量引导更稳健；相应代价是在 Traffic 上带来约 30.4% 的推理时间开销，当前实现更适合离线或批量预测。