Quantile-Guided Diffusion for Probabilistic Time-Series Forecasting

arXiv:2610.20739v1 公告类型：新

摘要：分位数预测在每个未来时间步上概括不确定性，而扩散预测器则通过采样的未来轨迹来表示不确定性。我们研究预测的分位数如何作为扩散预测的分布控制。具体而言，我们考察分位数集成机制如何影响其引导预训练扩散预测器的有效性。我们发现，贯穿整个去噪网络的残差控制能带来最一致的改进。我们将这一方法实例化为 Control-TS，它在保持预训练骨干冻结的同时学习一条分位数控制通路。在八个基准测试上，Control-TS 持续改善骨干的 CRPS，与 SOTA 预测模型相比具有竞争力，并在容量匹配的比较中保持其增益。进一步的分析考察了这些增益如何取决于分位数粒度、预测器选择和预测质量。最后，我们引入条件线性预测得分（Conditional Linear Predictive Score，CLPS），它通过评估所生成未来轨迹的下游预测效用，对分布度量形成补充。综上，这些发现支持将预测分位数作为显式不确定性估计与基于扩散的轨迹生成之间的有效接口。