PathFM: Fast Generative Forecasting of Multivariate Trajectories

📄 arXiv: 2610.22358v1 📥 PDF

作者: Jiachen Yao, Xiyuan Zhang, Annan Yu, Boran Han, Abdul Fatir Ansari, Shuai Zhang, Michael Bohlke-Schneider, Bernie Wang

分类: cs.LG

发布日期: 2026-10-15

💡 一句话要点

提出PathFM以解决多变量轨迹生成预测问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 时间序列预测 流匹配 轨迹生成 依赖结构建模 边际分位数 多变量预测 能量评分 混沌系统

📋 核心要点

  1. 现有时间序列预测模型主要关注边际分位数，未能有效捕捉未来轨迹之间的依赖关系，限制了其在复杂应用中的有效性。
  2. PathFM通过流匹配生成完整的未来路径，并通过简化模型和共享历史注意力缓存来提高预测效率，解决了依赖结构建模的问题。
  3. 在多个基准测试中，PathFM在边际准确性和路径得分上均优于现有基线，展现了其在复杂系统中的强大适应性和实用性。

📝 摘要（中文）

时间序列基础模型在通用预测中越来越受欢迎。然而，大多数领先模型仅预测边际分位数，未能明确未来轨迹的依赖结构。为此，本文提出PathFM，一种基于轨迹的预测模型，利用流匹配生成完整的未来路径。通过将模型简化为一到两步并在抽样中共享历史注意力缓存，PathFM能够在大约与量化模型一次查询相同的时间内生成多个路径。PathFM在已建立的预测基准fev-bench和TIME上实现了竞争性的边际准确性，并在新增的Forecast Path Score Bench (fps-bench)上获得了更高的综合路径得分，超越了所有评估的外部基线。实验还表明，PathFM在混沌系统中的表现优于强基线，保持了长期变异性。

🔬 方法详解

问题定义：本文旨在解决现有时间序列预测模型在捕捉未来轨迹依赖结构方面的不足，尤其是在预测累积需求、峰值负载等轨迹相关量时的局限性。

核心思路：PathFM通过流匹配技术生成完整的未来轨迹，能够同时生成多个路径，从而更好地建模未来事件之间的依赖关系。

技术框架：PathFM的整体架构包括流匹配生成模块、历史注意力缓存共享机制和简化抽样过程。该框架使得模型在生成多个路径时高效且准确。

关键创新：PathFM的主要创新在于其流匹配生成方法和历史注意力缓存的共享设计，这与传统的边际分位数预测方法有本质区别，后者通常无法捕捉复杂的依赖结构。

关键设计：模型在参数设置上进行了优化，采用了适合流匹配的损失函数，并在网络结构上进行了简化，以提高生成效率和准确性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

PathFM在fps-bench上实现了比所有评估的外部基线更高的综合路径得分，展现了其在复杂系统中的强大适应性。此外，PathFM在混沌系统中的实验结果表明，其能够有效维持长期变异性，而强基线则迅速崩溃。

🎯 应用场景

PathFM的研究成果在多个领域具有广泛的应用潜力，包括需求预测、能源管理和金融市场分析等。其生成能力和高效性使得在复杂系统中的实时预测成为可能，能够为决策提供更为准确的依据，推动相关行业的发展。

📄 摘要（原文）

Time series foundation models are becoming increasingly popular for general-purpose forecasting. However, most leading models predict marginal quantiles, leaving the dependence structure of future trajectories unspecified. This distinction matters for trajectory-dependent quantities such as cumulative demand, peak load, and event timing, yet point and marginal scores do not reveal it. To model this dependence, we introduce PathFM, a trajectory-based forecasting model that uses flow matching to generate complete future paths. We further distill the model to one or two steps and share history attention cache across draws. Together, these enable PathFM to generate multiple paths for a single series in roughly the time needed for one query to a quantile model. The distilled sampler also makes it practical to optimize a calibration loss directly. PathFM achieves competitive marginal accuracy on the established forecasting benchmarks fev-bench and TIME. To complement these evaluations, we introduce Forecast Path Score Bench (fps-bench), which augments fev-bench tasks with energy and variogram scores and downstream metrics. PathFM achieves a higher aggregate path score on fps-bench than all evaluated external baselines. Experiments on chaotic systems further show that our flow model sustains long-run variability, while strong baselines rapidly collapse. PathFM makes generative time series forecasting both competitive and practical, enabling diverse downstream applications.