PathFM: geração de trajetórias completas de séries temporais via flow matching

Os modelos de fundação para séries temporais estão se tornando o padrão para previsão universal, mas deixam de fora informações críticas sobre a estrutura de dependências nas trajetórias futuras. A maioria das soluções líderes — como o TimesFM-3 — prevê quantis marginais de cada variável separadamente, sem considerar o comportamento conjunto delas nem as correlações temporais. Isso gera um problema para tarefas aplicadas que exigem um retrato completo da evolução: previsão de demanda agregada, carga de pico em uma rede ou o momento em que determinados eventos ocorrem.

Os pesquisadores da Autogluon propuseram uma abordagem alternativa: o PathFM, um modelo de previsão generativa que cria trajetórias multivariadas completas. Em vez de gerar pontos ou quantis isolados, o modelo usa flow matching para produzir trajetórias realistas de evolução da série, preservando todas as dependências e a variabilidade inerentes.

Arquitetura e otimização

O PathFM se baseia em flow matching, um método que transforma uma distribuição simples em uma complexa por meio de um processo reversível. A inovação principal está na destilação: os pesquisadores comprimiram o modelo para um ou dois passos de computação e implementaram um cache de atenção histórica (history attention cache) para reutilização na geração de múltiplas trajetórias. Isso permitiu alcançar uma velocidade comparável à de uma única consulta a um modelo de quantis, mas para criar dezenas de trajetórias independentes.

O modelo também é otimizado diretamente por meio de uma calibration loss, uma função de perda voltada para calibrar a incerteza, algo que não está disponível para modelos que trabalham com quantis isolados.

Resultados nos benchmarks

O PathFM foi avaliado nos benchmarks padrão fev-bench e TIME. No fev-bench, o modelo alcançou precisão competitiva em previsões marginais, ficando em terceiro lugar. No entanto, seus principais resultados aparecem em um novo benchmark, o Forecast Path Score Bench (fps-bench), que os pesquisadores desenvolveram especificamente para avaliar a qualidade das trajetórias.

O fps-bench amplia as tarefas do fev-bench com métricas adicionais: o energy score e o variogram score, que medem o quão bem o modelo reproduz a distribuição conjunta e a variabilidade espacial. No path score agregado, o PathFM superou todas as soluções testadas, incluindo o TimesFM-3, em 10,6%.

Velocidade e praticidade

Em uma GPU NVIDIA L4, o PathFM gera 32 trajetórias completas em 51,6 milissegundos. Isso torna os métodos de ensemble viáveis na prática: antes, as abordagens generativas exigiam computação cara ou concessões na qualidade.

Comportamento em sistemas caóticos

Um teste específico em sistemas caóticos mostrou que a abordagem via flow matching tem uma propriedade única: o modelo mantém a variabilidade de longo prazo por 20 vezes mais tempo ou mais do que os métodos baseline, ao mesmo tempo em que atinge o menor erro médio de previsão pontual. Outros modelos fortes perdem rapidamente a aleatoriedade e reduzem suas previsões a valores médios.

O PathFM abre uma nova classe de aplicações: desde a gestão de cadeias de suprimentos que leva em conta toda a distribuição da demanda até sistemas de gerenciamento de carga no setor energético, nos quais é preciso prever não apenas a média, mas todo o espectro de cenários possíveis. Os autores — Jiachen Yao, Xiyuan Zhang, Annan Yu, Boran Han, Abdul Fatir Ansari, Shuai Zhang, Michael Bohlke-Schneider e Bernie Wang — prometem lançar os pesos do modelo e o código-fonte em breve.