在最近的顶会中，有多篇前沿论文聚焦于扩散模型与时间序列组合的创新应用。在ICLR2024会议上，就提出了多种基于扩散模型的时间序列预测方法，如Diffusion-TS、FTS-Diffusion。
这些方法能够充分利用扩散模型在生成复杂数据分布方面的能力，以及时间序列分析捕捉数据动态变化的优势，生成高质量的时间序列样本，提高预测的准确性和稳定性。
我整理了10篇最新的扩散模型+时间序列研究论文，有需要的同学扫码领取！
回复 “扩散时序” 即可领取【扩散模型+时间序列】研究论文
Generation of synthetic financial time series by diffusion models
文章解析
本文提出了一种利用去噪扩散概率模型（DDPMs）生成合成金融时间序列的方法。通过将金融时间序列转换为图像，再通过逆小波变换将其转换回时间序列，该方法能够捕捉到金融时间序列的复杂特性，并准确再现所谓的“风格化事实”，如胖尾分布和波动聚类。
创新点
1.首次将去噪扩散概率模型（DDPMs）应用于生成合成金融时间序列。
2.通过小波变换将金融时间序列转换为全彩频谱图，利用图像分析技术学习时间序列的复杂特性。
3.同时训练和推断三个相互关联的时间序列：股票价格、价差和交易量。
TIMBA: Time series Imputation with Bi-directional Mamba Blocks and Diffusion models
文章解析
本文提出了一种新的时间序列插补模型TIMBA，通过将时间导向的Transformer替换为状态空间模型（SSM）中的S6层，并嵌入到双向Mamba块中。
该模型结合了图神经网络和节点导向的Transformer，以实现增强的时空表示。TIMBA在多个基准场景中表现出色，并且在不同的缺失值情况下表现稳定。
创新点
1.提出了TIMBA模型，首次将时间导向的Transformer替换为双向Mamba块中的S6层。
2.结合了状态空间模型、图神经网络和节点导向的Transformer，实现了增强的时空表示。
3.在多个真实数据集上进行了广泛的基准测试，证明了TIMBA在多种缺失值情况下的优越性能。
回复 “扩散时序” 即可领取【扩散模型+时间序列】研究论文
Treating Brain-inspired Memories as Priors for Diffusion Model to Forecast Multivariate Time Series
文章解析
本文提出了一种脑启发的记忆模块，该模块包含语义记忆和情景记忆，用于捕捉多变量时间序列中的通用和特殊时间模式。通过设计高效的更新和回忆机制，并将其与扩散模型结合，构建了一个名为Bim-Diff的生成模型，显著提高了预测的准确性和鲁棒性。
创新点
1.提出了包含语义记忆和情景记忆的脑启发记忆模块，能够捕捉不同通道中的通用和特殊时间模式。
2.设计了高效的更新和回忆机制，使记忆模块能够有效捕捉和利用两种不同类型的时间模式。
3.开发了Bim-Diff模型，将两种记忆整合到扩散框架中作为条件先验，用于多变量时间序列预测。
4.在八个真实数据集上的实验结果表明，Bim-Diff在多变量时间序列预测任务中表现优异，平均排名为第一。
IMUDiffusion: A Diffusion Model for Multivariate Timeseries Synthesis for Inertial Motion Capturing Systems
文章解析
本文提出了一种名为IMUDiffusion的扩散模型，专门用于生成多变量时间序列数据。该模型能够生成高质量的时间序列，准确捕捉人类活动的动态，并通过结合真实和合成数据显著提升基线人类活动分类器的性能，尤其是在数据有限的情况下。
创新点
1.提出了IMUDiffusion，一种专门用于生成多变量时间序列数据的扩散模型。
2.通过结合真实和合成数据，显著提升了基线人类活动分类器的性能，特别是在数据有限的情况下。
3.在频率域中利用扩散模型进行时间序列合成，提高了信号质量。
回复 “扩散时序” 即可领取【扩散模型+时间序列】研究论文
