PathFM：用流匹配快速生成多变量轨迹预测

时间序列基础模型正在成为通用预测的主流工具，但一个关键问题长期被忽视：大多数领先模型只预测边际分位数，对未来轨迹的依赖结构不做任何假设。换句话说，它们能告诉你每个时间点上的可能取值范围，却无法告诉你这些点如何连成一条完整的路径。

这对于累积需求、峰值负荷、事件发生时间等依赖轨迹形态的量来说，是一个根本性的缺陷。点预测和边际分数根本无法揭示这些信息。PathFM 正是为解决这一问题而提出的。

边际分位数预测的盲区

传统时间序列预测模型——包括近年来流行的基础模型——通常输出每个时间步的分位数。这种做法在单点评估上表现不错，但忽略了一个事实：未来的多个时间点之间存在相关性。

举个直观的例子：如果你要预测未来 24 小时的电力负荷，每个小时的边际分布可能都预测得很准，但峰值负荷取决于这些小时如何联合出现。边际模型无法告诉你“最坏情况下的峰值”有多高，因为它不知道各小时之间的依赖关系。

PathFM 的核心洞察就在这里：要回答轨迹依赖的问题，就必须生成完整的未来路径，而不仅仅是边际分布。

边际分位数指的是对每个时间步单独建模其条件分布的分位点，例如预测未来第 t 小时的 10%、50%、90% 分位数。若干个边际分布虽然在每个时间点上都准确，但它们并未指定这些点之间的联合分布。要恢复联合分布，还需要一个 copula 或依赖结构，而边际分位数模型对此不作任何假设。因此，任何依赖于整条轨迹而非单个时间点的统计量——最大值、累积和、首次穿越时间、路径极值等——都无法从边际分位数中直接推导出来。这正是 PathFM 主张必须生成完整路径的根本原因。

流匹配生成完整轨迹

PathFM 采用流匹配（flow matching）来生成完整的未来路径。与扩散模型相比，流匹配在训练和采样上都更高效，这让它适合时间序列预测这种对延迟敏感的场景。

但仅有流匹配还不够。研究团队做了两个关键工程优化：

步数蒸馏：将采样步数压缩到一到两步，大幅降低生成多条路径的计算开销。

共享历史注意力缓存：在多次采样之间复用历史编码，避免重复计算。

这两项优化结合在一起，使得 PathFM 为单条序列生成多条路径的时间，大约相当于一次分位数模型查询的耗时。这个速度让它从“理论上可行”变成了“实践中可用”。

流匹配（Flow Matching） 是一类基于连续归一化流（CNF）的生成方法。它的核心思想是学习一个时间相关的速度场，将简单先验分布（如高斯噪声）沿概率路径连续变换到目标数据分布。与扩散模型需要学习去噪过程并在推理时积分随机微分方程不同，流匹配直接回归速度场，训练目标更简单，采样轨迹也更平滑。给定起点噪声后，沿学习到的速度场做常微分方程积分即可生成样本。这种确定性 ODE 采样路径通常能用更少步数达到同等质量，因而在时间序列这类对推理延迟敏感的场景中更具吸引力。

步数蒸馏是把一个需要多步采样的生成模型压缩为只需一到两步即可出样本的常用加速技术。其基本思路是先训练一个高质量但采样慢的教师模型，再训练一个学生模型直接拟合教师模型的输出轨迹，从而跳过中间的中间步骤。对于流匹配和扩散模型，蒸馏后的学生网络可以一步从噪声映射到目标样本，代价是通常损失一点多样性或分布精度。PathFM 采用这一技术后，生成多条未来路径的延迟显著降低，使得为同一历史序列采样大量路径变得经济可行，也为后续直接优化校准损失创造了条件。

校准损失直接优化

蒸馏后的采样器还有一个额外好处：它让直接优化校准损失变得可行。

在传统生成模型中，采样过程通常不可微或计算代价太高，导致无法端到端地优化校准指标。PathFM 的一到两步采样器打破了这个瓶颈，使模型可以在训练中直接针对校准质量进行优化。

这意味着 PathFM 不仅生成的路径多样，而且在概率校准上也有保障——这对于风险评估和决策场景至关重要。

基准测试：fev-bench、TIME 与 fps-bench

PathFM 在已有的 fev-bench 和 TIME 基准上取得了有竞争力的边际精度。但研究团队认为，仅靠边际指标不足以评估轨迹预测模型。

为此，他们提出了 Forecast Path Score Bench（fps-bench），在 fev-bench 任务的基础上增加了能量分数、变差函数分数以及下游指标。这些新指标直接衡量生成路径的联合分布质量，而非仅仅看每个时间点的边缘表现。

在 fps-bench 上，PathFM 的综合路径分数高于所有被评估的外部基线。这是一个有意义的信号：当评估标准从边际转向轨迹整体时，生成式方法的优势就显现出来了。

混沌系统中的长期稳定性

研究还包含了一组混沌系统实验，结果值得关注。

在混沌系统中，PathFM 的流模型能够维持长期的变异性——也就是说，它生成的轨迹在长时间尺度上仍然保持合理的波动和多样性。而强大的基线模型则迅速崩溃，生成的轨迹趋于退化。

这个对比揭示了生成式方法的一个结构性优势：当预测目标本身具有内在的混沌特性时，试图直接回归条件均值或分位数的模型会系统性地丢失变异性，而生成完整路径的方法天然地保留了这种多样性。

从研究到应用

PathFM 的定位很明确：让生成式时间序列预测既有竞争力又实用。它不只是一个学术上的概念验证，而是一个在速度、精度和校准上都做了工程优化的系统。

对于需要轨迹依赖量的下游应用——比如能源调度中的峰值负荷预测、供应链中的累积需求估计、金融中的路径依赖衍生品定价——PathFM 提供了一条从边际预测走向完整轨迹预测的可行路径。

论文的核心贡献可以概括为三点：用流匹配生成完整轨迹、通过蒸馏和缓存实现快速采样、以及提出 fps-bench 来推动轨迹级评估标准的发展。对时间序列预测领域来说，这代表着从“预测每个点”到“预测整条路”的范式转变。