ProtoFlow：原型引导的多变量时间序列预测流匹配

生成式建模在多变量时间序列（MTS）预测中展现出巨大潜力，尤其适用于扩展至高维场景。基于扩散的方法能够取得具有竞争力的性能，但通常需要在推理阶段执行大量采样步骤。因此，基于VAE的非迭代式预测框架逐渐成为一种高效替代方案。在这一研究方向中，矢量量化（VQ）通过将多变量序列映射为紧凑的离散表示，实现了可控的潜在空间建模。然而，现有的基于VQ的预测方法通常依赖自回归（AR）令牌生成，容易受到暴露偏差以及训练与推理不匹配问题的影响。流匹配为潜在变量预测提供了一种高效的非自回归替代方案，但现有方法通常从通用高斯先验初始化传输过程。我们注意到，训练得到的VQ码本已经捕获了具有代表性的潜在原型，因此可以作为流匹配中信息量更丰富的先验。基于这一认识，我们提出了ProtoFlow，一种将矢量量化自编码与原型先验流匹配相结合的预测框架。该方法首先将多变量序列映射到离散潜在空间，然后利用学习到的码本构建结构化先验，最后学习一个基于DiT的整流流，将样本从该先验传输至以历史观测为条件的未来潜在表示。通过以学习到的原型先验替代通用噪声初始化，ProtoFlow避免了AR令牌预测中的滚动不匹配问题，并促进了更快的训练收敛。在基准数据集上的大量实验表明，ProtoFlow能够以高效的推理持续取得更优的预测性能。