PathFM: generación de trayectorias completas de series temporales mediante flow matching

Los modelos fundacionales de series temporales se están convirtiendo en el estándar para el pronóstico universal, pero dejan fuera información crítica sobre la estructura de dependencias en las trayectorias futuras. La mayoría de las soluciones líderes —como TimesFM-3— predicen cuantiles marginales de cada variable por separado, sin tener en cuenta su comportamiento conjunto ni las correlaciones temporales. Esto genera un problema para tareas aplicadas que requieren una imagen completa de la evolución: el pronóstico de la demanda agregada, de la carga pico en una red o del momento en que ocurren determinados eventos.

Los investigadores de Autogluon propusieron un enfoque alternativo: PathFM, un modelo de pronóstico generativo que crea trayectorias multivariadas completas. En lugar de generar puntos o cuantiles aislados, el modelo usa flow matching para producir trayectorias realistas de evolución de la serie, con todas las dependencias y la variabilidad inherentes.

Arquitectura y optimización

PathFM se apoya en flow matching, un método que transforma una distribución simple en una compleja a través de un proceso reversible. La innovación clave está en la destilación: los investigadores comprimieron el modelo a uno o dos pasos de cómputo e implementaron una caché de atención histórica (history attention cache) para reutilizarla al generar varias trayectorias. Esto permitió alcanzar una velocidad comparable a la de una sola consulta a un modelo de cuantiles, pero para crear decenas de trayectorias independientes.

El modelo también se optimiza directamente mediante una calibration loss, una función de pérdida orientada a calibrar la incertidumbre, algo que no está disponible en los modelos que trabajan con cuantiles por separado.

Resultados en los benchmarks

PathFM se evaluó en los benchmarks estándar fev-bench y TIME. En fev-bench, el modelo logró una precisión competitiva en los pronósticos marginales, quedando en tercer lugar. Sin embargo, sus principales logros se manifiestan en un nuevo benchmark, Forecast Path Score Bench (fps-bench), que los investigadores diseñaron específicamente para evaluar la calidad de las trayectorias.

fps-bench amplía las tareas de fev-bench con métricas adicionales: el energy score y el variogram score, que miden qué tan bien el modelo reproduce la distribución conjunta y la variabilidad espacial. En el path score agregado, PathFM superó a todas las soluciones probadas, incluida TimesFM-3, en un 10,6%.

Velocidad y aplicabilidad práctica

En una GPU NVIDIA L4, PathFM genera 32 trayectorias completas en 51,6 milisegundos. Esto hace que los métodos de ensemble sean prácticos: antes, los enfoques generativos exigían cómputo costoso o concesiones en la calidad.

Comportamiento en sistemas caóticos

Una prueba especial en sistemas caóticos mostró que el enfoque mediante flow matching tiene una propiedad única: el modelo mantiene la variabilidad a largo plazo entre 20 y más veces más tiempo que los métodos baseline, a la vez que logra el menor error promedio de pronóstico puntual. Otros modelos sólidos pierden rápidamente la aleatoriedad y reducen sus pronósticos a valores promediados.

PathFM abre una nueva clase de aplicaciones: desde la gestión de cadenas de suministro que tiene en cuenta toda la distribución de la demanda, hasta sistemas de gestión de carga en el sector energético, donde es necesario prever no solo el promedio sino todo el abanico de escenarios posibles. Los autores —Jiachen Yao, Xiyuan Zhang, Annan Yu, Boran Han, Abdul Fatir Ansari, Shuai Zhang, Michael Bohlke-Schneider y Bernie Wang— prometen publicar pronto los pesos del modelo y el código fuente.