REGEN：用于预测的参考引导综合多元时间序列生成

训练稳健的多元时间序列预测模型需要大型、多样化的语料库，但许多现实世界的领域仅提供少量观察到的序列。现有的生成器无法解决这种不匹配问题：基于先验的方法（例如 CauKer、TimePFN）生成与领域无关的样本，而数据驱动的方法（例如 TimeGAN）将参考视为黑盒监督，丧失对周期结构、局部变异性和跨变量动态的显式控制。我们提出了 ReGeN，一种参考引导的生成管道，它不会将观察到的序列视为模仿的例子，而是将其视为可控合成的结构支架。 ReGeN 将每个参考分解为三个可解释的组件：捕获主域形态的相位对齐周期性主干；使用深核高斯过程建模的每变量随机残差；以及通过具有拟合耦合系数的结构因果模型注入的滞后感知交叉变量依赖性。在可控温度下对这些组件进行采样可以扩大分布覆盖范围，同时保留符合领域实际的结构。我们表明，ReGeN 生成的数据始终可以替代真实的同级数据，并且预测退化最小，并且在流量等强周期性领域中，可以优于真实源本身。我们进一步表明，在 ReGeN 语料库上预训练的基础模型优于基于先验和数据驱动的合成替代方案预训练的模型。这表明，在低数据情况下，参考数据的结构利用方式与可用数据的数量一样重要。