PathFM genera trayectorias de pronóstico completas en 1–2 pasos de flow matching

PathFM no genera un conjunto de cuantiles para cada punto del horizonte, sino trayectorias futuras completas de la serie temporal. Tras la destilación a uno o dos pasos, produce varias de esas trayectorias para una misma serie en un tiempo similar al que se tarda en atender una consulta a un modelo cuantílico. Los autores también han presentado el benchmark fps-bench. En el path score agregado de esa prueba, PathFM supera a todos los modelos base externos evaluados.

Qué les falta a los modelos cuantílicos

Los modelos fundacionales para series temporales ganan popularidad rápidamente como herramienta universal de pronóstico. Pero la mayoría de las soluciones líderes predicen cuantiles marginales. Para cada paso del horizonte por separado, el modelo indica, por ejemplo, la mediana y los límites del intervalo. Cómo se relacionan entre sí los valores de distintos pasos queda fuera de foco.

Para muchas tareas, esa relación es justo lo que hace falta. La demanda total de una semana, el pico de carga en una red o el momento en que ocurre un evento dependen de la trayectoria completa. Tomemos dos escenarios con las mismas distribuciones marginales. En uno, las desviaciones respecto al pronóstico se acumulan paso a paso; en el otro, se compensan entre sí. Los cuantiles coincidirán, pero la suma y el pico serán distintos. Las métricas puntuales y las evaluaciones de las marginales no muestran esa diferencia.

Cómo funciona PathFM

Los autores toman flow matching, un enfoque generativo emparentado con la difusión, y lo aplican a trayectorias futuras completas. El modelo muestrea la trayectoria entera, de modo que la dependencia entre pasos queda incorporada en el propio resultado. Normalmente, esta generación es cara: requiere muchos pasos de integración y muchas pasadas repetidas. Aquí se resuelve con dos recursos.

• Destilación del modelo a uno o dos pasos de muestreo.
• Caché de atención al historial compartida entre distintas muestras: el contexto de la serie se procesa una sola vez, en lugar de volver a procesarse para cada trayectoria.
• Optimización directa de una pérdida de calibración, que el muestreador destilado rápido hace práctica.
• Objetivo de velocidad: varias trayectorias para una serie en un tiempo cercano al de una consulta a un modelo cuantílico.

La pérdida de calibración merece mención aparte. Cuando el muestreo es barato, se puede integrar en el entrenamiento y ajustar directamente la correspondencia entre las distribuciones predichas y la realidad.

Cómo se ha evaluado

En los benchmarks consolidados fev-bench y TIME, PathFM muestra una precisión marginal competitiva. El modelo no pierde frente a los competidores cuantílicos en su propio terreno, algo que los autores consideran una prueba de que el enfoque es práctico.

Para evaluar las dependencias temporales, el equipo creó Forecast Path Score Bench (fps-bench). Amplía las tareas de fev-bench con dos métricas para trayectorias, energy score y variogram score, además de métricas downstream ligadas a magnitudes prácticas como la demanda acumulada y el pico. En el path score agregado, PathFM queda por encima de todos los modelos base externos de la comparación.

Se realizó además un experimento aparte con sistemas caóticos. Según los autores, el modelo de flujo conserva la variabilidad a largo plazo, mientras que los modelos base potentes se colapsan rápidamente, es decir, sus trayectorias pierden diversidad. En horizontes largos, esto es una señal importante: un pronóstico que degenera en una línea suave describe mal el riesgo.

Dónde puede resultar útil

Los principales candidatos para su uso son la planificación de carga en el sector energético, la gestión de inventarios y de la demanda, la capacidad de los centros de datos y cualquier escenario en que la decisión dependa de la suma o del máximo a lo largo del horizonte. En lugar de un único intervalo, el equipo obtiene un conjunto de escenarios verosímiles y calcula directamente sobre ellos las magnitudes que necesita.

También hay limitaciones. La descripción disponible no incluye resultados numéricos concretos, así que la magnitud de la ventaja en fps-bench y la velocidad en hardware real hay que consultarlas en el propio artículo y en el código. El benchmark lo han creado los mismos autores que el modelo, de modo que no está de más una verificación independiente con datos propios. Un plan práctico: tomar tareas propias que dependan de la trayectoria, comparar un modelo cuantílico y PathFM con energy score y variogram score y, después, con una métrica de negocio, por ejemplo el error del pico o de la demanda total.