PathFM：快速生成式多变量轨迹预测

时间序列基础模型在通用预测领域正变得越来越流行。然而，大多数领先模型预测的是边际分位数，未指定未来轨迹的依赖结构。这一区别对于累积需求、峰值负载和事件时序等依赖轨迹的量至关重要，但点预测和边际评分无法揭示这一点。为了对这种依赖关系建模，我们引入了 PathFM，一种基于轨迹的预测模型，使用流匹配（flow matching）生成完整的未来路径。我们进一步将模型蒸馏到一到两步，并在多次采样之间共享历史注意力缓存（history attention cache）。这些措施共同使 PathFM 能够在与分位数模型一次查询大致相同的时间内，为单条序列生成多条路径。蒸馏后的采样器还使得直接优化校准损失（calibration loss）变得切实可行。PathFM 在既有预测基准测试 fev-bench 和 TIME 上取得了有竞争力的边际精度。为补充这些评估，我们引入了 Forecast Path Score Bench（fps-bench），它在 fev-bench 任务的基础上增加了能源评分和变差函数评分（variogram scores）以及下游指标。PathFM 在 fps-bench 上取得了比所有评估的外部基线更高的聚合路径评分。在混沌系统上的实验进一步表明，我们的流模型能够维持长期变异性，而强基线则迅速崩溃。PathFM 使生成式时间序列预测兼具竞争力和实用性，赋能多样化的下游应用。