加州理工学院与亚马逊团队在2026年10月15日公开PathFM，一种面向多变量时间序列预测的生成式模型。论文指出，许多现有基础模型主要输出各时间点的边际分位数，能够衡量单点误差，却无法完整表达未来变量之间的时间依赖关系，因此在累计需求、峰值负载、事件发生时间等路径相关任务上存在信息缺口。论文摘要
PathFM采用条件流匹配，直接生成完整的未来轨迹，并通过蒸馏将采样过程压缩到一步或两步；模型还复用历史注意力缓存，以降低一次预测中生成多条样本路径的成本。作者同时提出Forecast Path Score Bench（fps-bench），加入能量得分、变差图得分以及面向下游任务的指标，试图评估模型是否正确学习了轨迹分布，而不只是比较逐点或边际预测结果。
根据论文报告，PathFM在fev-bench和TIME等基准上保持有竞争力的边际预测表现，并在作者构建的fps-bench上取得高于所比较外部基线的综合路径得分。在混沌系统实验中，作者称该模型能够较好保持长期变化性，而部分基线会快速收缩。需要注意的是，这些结果来自预印本及其作者设计的实验，尚不能等同于真实业务部署效果；模型在不同领域数据、长预测窗口和高维多变量场景中的稳定性，还需要独立复现和更多测试。对行业而言，PathFM的价值不只是提高预测精度，也在于提醒使用者：库存、能源、风险和供应链预测不能只看平均误差，还应检查峰值、累计量、相关性及极端路径是否可信。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
