10月15日，来自加州理工学院与亚马逊的研究者在arXiv发布PathFM，一种面向多变量时间序列的生成式预测模型。论文关注的问题是：传统模型通常分别预测未来各时刻的边际分位数，却没有明确建模未来轨迹内部的时间依赖和变量间关系，因此在累计需求、峰值负荷、事件发生时间等路径相关任务上可能信息不足。论文原文
PathFM的核心做法是使用条件流匹配，直接生成一条完整的未来路径，而不是为每个时间点单独给出若干分位数。这样生成的样本可以保留时间自相关、跨变量依赖以及多峰分布，用户还能够在多条预测路径上计算累计值、最大值或阈值穿越时间等下游指标。研究团队同时提出Forecast Path Score Bench，用能量得分、变差图得分和路径相关指标补充传统的点预测与边际概率评估。
效率是该方法能否落地的关键。论文通过并行解码蒸馏，将原本需要多次迭代的流模型压缩到一次或两次模型评估，并复用历史序列的注意力缓存，从而在生成多条路径时减少重复计算。论文还通过校准损失直接优化预测分布，并采用分层采样改善小规模预测集合对噪声空间的覆盖。不过，这些设计仍依赖具体模型规模、硬件和预测任务，不能简单等同于所有时间序列场景都能获得相同的速度收益。
从实验结果看，作者报告PathFM在fev-bench和TIME等既有基准上保持有竞争力的边际预测准确率，在其提出的fps-bench上，路径得分高于论文所比较的外部基线；在混沌系统实验中，模型也更能维持长期变化幅度。需要注意的是，这些结果来自一篇10月15日发布的arXiv预印本，属于研究团队自述，尚不能视为经过独立复现的行业结论。论文原文
对行业观察者而言，PathFM的意义不只是把流匹配用于时间序列，而是把预测目标从“每个时间点可能是多少”扩展为“未来可能沿哪些完整路径发展”。这会影响库存、能源调度、风险管理等需要评估整段轨迹的任务。但实际采用时应重点检查路径指标是否与业务决策相关、生成样本是否校准，以及额外的路径生成成本是否抵消了模型在表达联合分布方面的收益。
事件及资料日期：事件发生日期为2026-10-15，即论文在arXiv标注的发布日期；本文未将其视为已完成同行评审的正式期刊结论。
资料来源：PathFM: Fast Generative Forecasting of Multivariate Trajectories，发布日期：2026-10-15。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
