PathFM генерирует целые траектории прогноза за 1–2 шага flow matching

Модель PathFM генерирует не набор квантилей по каждой точке горизонта, а целые будущие траектории временного ряда. После дистилляции до одного-двух шагов она выдаёт несколько таких траекторий для одного ряда примерно за то же время, которое уходит на один запрос к квантильной модели. Авторы также представили бенчмарк fps-bench. По агрегированному path score на нём PathFM опережает все проверенные внешние базовые модели.

Чего не хватает квантильным моделям

Фундаментальные модели для временных рядов быстро набирают популярность как универсальный инструмент прогноза. Но большинство ведущих решений предсказывают маргинальные квантили. Для каждого шага горизонта по отдельности модель называет, скажем, медиану и границы интервала. Как значения на разных шагах связаны между собой, остаётся за кадром.

Для многих задач именно эта связь и нужна. Суммарный спрос за неделю, пик нагрузки на сеть, момент наступления события зависят от всей траектории. Возьмём два сценария с одинаковыми маргинальными распределениями. В одном отклонения от прогноза накапливаются шаг за шагом, в другом гасят друг друга. Квантили у них совпадут, а сумма и пик будут разными. Точечные метрики и оценки маргиналов этой разницы не показывают.

Как устроен PathFM

Авторы берут flow matching, генеративный подход, родственный диффузии, и применяют его к целым будущим путям. Модель семплирует траекторию целиком, поэтому зависимость между шагами заложена в сам результат. Обычно такая генерация дорога: нужно много шагов интеграции и много повторных проходов. Здесь это решают двумя приёмами.

• Дистилляция модели до одного-двух шагов семплирования.
• Общий кеш внимания к истории между разными сэмплами: контекст ряда обрабатывается один раз, а не для каждой траектории заново.
• Прямая оптимизация калибровочного лосса, которую быстрый дистиллированный семплер делает практичной.
• Цель по скорости: несколько путей для одного ряда за время, близкое к одному запросу к квантильной модели.

Отдельно стоит калибровочный лосс. Когда семплирование дешёвое, его можно встроить в обучение и напрямую подтягивать соответствие предсказанных распределений реальности.

Как это проверяли

На устоявшихся бенчмарках fev-bench и TIME PathFM показывает конкурентную маргинальную точность. Модель не проигрывает квантильным конкурентам на их территории, в чём авторы и видят доказательство практичности подхода.

Для оценки зависимостей во времени команда собрала Forecast Path Score Bench (fps-bench). Он расширяет задачи fev-bench двумя метриками для траекторий, energy score и variogram score, а также downstream-метриками, привязанными к практическим величинам вроде накопленного спроса и пика. По агрегированному path score PathFM выше всех внешних базовых моделей из сравнения.

Отдельный эксперимент проведён на хаотических системах. По описанию авторов, flow-модель сохраняет долгосрочную изменчивость, а сильные базовые модели быстро схлопываются, то есть траектории теряют разнообразие. Для длинных горизонтов это важный признак: прогноз, который вырождается в гладкую линию, плохо описывает риск.

Где это пригодится

Главные кандидаты на применение: планирование нагрузки в энергетике, управление запасами и спросом, мощности дата-центров, любые сценарии, где решение зависит от суммы или максимума по горизонту. Вместо одного интервала команда получает набор правдоподобных сценариев и считает по ним нужные величины напрямую.

Ограничения тоже есть. Приведённое описание не содержит конкретных числовых результатов, поэтому масштаб преимущества на fps-bench и скорость на реальном железе нужно смотреть в самой статье и коде. Бенчмарк создан теми же авторами, что и модель, так что независимая проверка на собственных данных не помешает. Практичный план: взять свои задачи с зависимостью от траектории, сравнить квантильную модель и PathFM по energy и variogram score, а затем по бизнес-метрике, например по ошибке пика или суммарного спроса.