主要观点总结
本文介绍了在人工智能领域和时间序列预测领域中，自回归移动扩散（ARMD）模型的应用和优势。ARMD模型受自回归移动平均（ARMA）理论启发，重新定义了时间序列的扩散过程，实现了扩散机制与时间序列连续性之间的对齐，提升了模型性能。该模型在多个数据集上的表现超越了现有的基于扩散的时间序列预测模型。
关键观点总结
关键观点1: 自回归移动扩散（ARMD）模型的应用领域
ARMD模型在人工智能领域和时间序列预测领域都有应用，是一种新型的时间序列预测模型。
关键观点2: ARMD模型的理论基础
ARMD模型受自回归移动平均（ARMA）理论启发，重新定义了时间序列的扩散过程。
关键观点3: ARMD模型的优势
ARMD模型通过结合扩散机制和自回归特性，实现了时间序列预测目标，在预测效果和训练推理时间等方面都有明显优势。
关键观点4: ARMD模型的实验结果
ARMD模型在七个广泛使用的时序预测数据集上的表现超越了现有的基于扩散的时间序列预测模型，并且和最先进的端到端时间序列预测模型取得了相当的效果。
关键观点5: 投稿通道的介绍
PaperWeekly鼓励高校实验室或个人分享优质内容，原创首发稿件将获得业内具有竞争力的稿酬。投稿邮箱为hr@paperweekly.site，也可以直接添加小编微信（pwbot02）快速投稿。
文章预览
在人工智能领域，目前有很多工作采用自回归方法来模拟或是替代扩散模型，其中视觉自回归建模（Visual AutoRegressive modeling，简称 VAR）就是其中的典型代表，该工作利用自回归取得了比传统基于噪声的扩散模型更好的生成效果，并且获得了人工智能顶级会议 NeurIPS 2024 的 best paper。 然而在时间序列预测领域，当前主流的扩散方法还是传统的基于噪声的方法，未能充分利用自回归技术实现时间序列建模。 近期，来自上海交通大学和东方理工的研究团队推出了自回归移动扩散（Auto-Regressive Moving Diffusion，简称 ARMD）模型。ARMD 模型受经典的自回归移动平均（ARMA）理论启发，重新定义了时间序列的扩散过程：如图一所示，与传统的基于噪声的扩散方法不同， ARMD 将时间序列的演进看成是一个扩散过程，并采用了基于链式扩散的方式。它的前向过程由未来
………………………………
