摘要：随着人工智能技术的飞速发展，时间序列数据的应用价值在众多领域崭露头角。然而，现有方法往往难以有效应对不同领域之间的差异性，这在很大程度上限制了其广泛应用。在此背景下，微软亚洲研究院提出了一种创新的时间序列扩散生成模型 TimeDP。该模型通过引入时间序列原型和

编者按：随着人工智能技术的飞速发展，时间序列数据的应用价值在众多领域崭露头角。然而，现有方法往往难以有效应对不同领域之间的差异性，这在很大程度上限制了其广泛应用。在此背景下，微软亚洲研究院提出了一种创新的时间序列扩散生成模型 TimeDP。该模型通过引入时间序列原型和领域提示，突破了传统方法的局限，实现了高效的跨领域时间序列生成，显著提升了模型的泛化能力和灵活性。

人工智能技术的持续演进，让时间序列数据在众多领域中的应用价值愈发凸显，尤其是在医疗健康、金融市场、气象预测和交通管理等行业。时间序列生成技术不仅可以弥补数据的不足，还能在无实际风险的环境中进行模拟和预测，因此具有重要的实际应用意义。

例如，在医疗领域，生成高质量的时间序列数据可以在保护隐私的前提下，帮助解决数据的稀缺问题，为疾病预测、个性化治疗等提供更加丰富的数据支持。金融行业则可以利用生成的市场数据进行策略测试与风险管理，而无需暴露于真实市场的波动风险中。无论是电力负荷预测、交通流量模拟，还是气象数据生成，时间序列生成技术都能为各行业提供更丰富、可靠的数据支持。

随着需求的多样化，传统的时间序列生成模型面临着跨领域生成能力不足的问题。许多现有方法仅限于单一领域的数据生成，难以有效应对不同领域之间的差异性，大大限制了其广泛应用。为此，微软亚洲研究院的研究员们提出了一个具备跨领域泛化能力的创新时间序列扩散生成模型 TimeDP。通过少样本提示（few-shot prompting）与领域提示（domain prompts），用户无需手动描述风格，TimeDP 即可实现高效的跨领域时间序列生成。

TimeDP: Learning to Generate Multi-Domain Time Series with Domain Prompts

论文链接：

创新洞察：示例驱动的时间序列生成

过往研究虽已开发出诸多时间序列生成模型，但这些模型大多局限于特定领域，难以在不同领域数据间实现有效泛化。更为关键的是，许多模型依赖于明确的领域标签或手工指定的条件输入，极大地限制了其在现实应用中的灵活性。

此外，如何精准描述所要生成的时间序列风格也是一大挑战，尤其是对于未见领域（unseen domain）而言。传统方法通常依赖用户提供显式的条件，如标签或文本描述，但由于时间序列的复杂性，用户很难精准地把数据的趋势、周期性和随机性等特征表达出来。

TimeDP 的创新之处在于其独特的示例驱动生成机制：

这种方法的优势在于：无需用户明确描述风格，避免了主观判断的不准确性；适应未见领域，可提升跨领域的泛化能力；仅需少量示例数据，就能够实现高效精准生成，大幅降低了数据的获取和标注成本。

时间序列原型：跨领域生成的关键

TimeDP 的核心方法依托于时间序列原型（Time Series Prototypes）。这一创新设计使得模型能够在没有领域标签的情况下高效生成跨领域的时间序列数据。类似于单词（word）和大语言模型之间的关系，时间序列原型被视为描述时间序列风格的最小单元。TimeDP 通过学习这些基础单元，构建适应不同领域的领域提示，从而更精准地引导时间序列生成。

图1：时序生成模型和大语言模型类比示意图。

具体来说，TimeDP 的核心模块包括以下几个部分。

时间序列原型：在 TimeDP 中，时间序列原型代表了时间序列中的基本特征，如趋势、季节性波动、周期性变化等。通过这些原型，模型能够理解并生成不同领域的时间序列数据。每个原型可以看作是时间序列的“基础单元”，对这些单元进行组合，TimeDP 就能够灵活地生成符合目标领域特征的数据。

原型分配模块：原型分配模块是 TimeDP 的关键组件之一。它的作用是根据输入的时间序列数据，为每个数据样本分配适当的原型。这一机制使模型能够在训练过程中学习到每个领域的独特特征，并且保持跨领域生成的灵活性。在生成阶段，PAM 可根据目标领域的示例数据自动调整生成条件，以确保生成的数据符合目标领域的规律。

跨领域生成与领域提示：TimeDP 是通过领域提示来实现跨领域生成的。传统的生成模型通常需要明确的领域标签来指导生成过程。而 TimeDP 则可以从目标领域中提取的少量样本来自动生成领域提示，这些提示将帮助模型在生成时明确目标领域的特征。无需显式的领域标签，TimeDP 就能够灵活地通过少量数据实现跨领域生成，从而适应多领域的应用需求。

图2：TimeDP 模型结构图

实验验证：优秀的跨领域生成能力

为了验证 TimeDP 的生成能力，研究员们在四大领域（能源、交通、气象、金融）的12个真实数据集上进行了全面的实验。通过采用最大均值差异（MMD）、Kullback-Leibler 散度（KL 散度）等指标，研究员们对生成数据的质量进行了严格评估。实验结果表明，TimeDP 在多个领域和数据集上均表现出了卓越的生成效果。

针对领域内生成， TimeDP 在多个数据集上生成的数据都与真实数据的分布高度一致。TimeDP 生成的时间序列与真实时间序列样本之间的最大均值差异（MMD）平均较基线模型降低了25.9%，KL 散度平均降低53.0%，表现出色。

表1：领域内生成结果

TimeDP 在未见领域（即在训练阶段未接触过的数据领域）的少样本提示生成表现同样优秀。TimeDP 仅需要未见领域的少量样本充当领域提示，不需要经过微调，即可超越基线模型用同样数量样本微调后的生成质量。当示例样本数量增加时，少样本提示生成的时间序列分布逐渐接近真实时间序列，展现了 TimeDP 强大的跨领域泛化能力。

表2：未见领域生成结果

通过引入时间序列原型和领域提示等创新技术，TimeDP 为跨领域时间序列生成提供了一种全新的解决方案。实验结果表明，该模型不仅能生成高质量的时间序列数据，还能够在多个领域和数据集上展现出强大的泛化能力。通过自动构建领域提示和少样本提示，TimeDP 解决了多领域时间序列建模中用户难以描述目标时间序列模式的问题，极大提升了模型的适应性和应用价值。

来源：微软亚洲研究院