1. 为什么在时间序列里用扩散模型

传统点预测方法倾向输出单一均值路径，难表达多峰未来。
扩散模型通过学习逐步去噪过程，天然适合生成分布而非单点。

2. 基本机制

前向扩散：逐步向样本加入高斯噪声。
反向过程：学习从噪声恢复数据分布。

典型训练目标：

$$ \mathcal{L}=\mathbb{E}{t,x_0,\epsilon}\left[|\epsilon-\epsilon\theta(x_t,t,cond)|_2^2\right] $$

其中 cond 可包含历史窗口、日历特征和外生变量。

3. Python 训练骨架

import torch
import torch.nn as nn

# x_hist: [B, T, C], y_future: [B, H, C]
# 简化示意：噪声预测网络
class Denoiser(nn.Module):
    def __init__(self, d):
        super().__init__()
        self.net = nn.Sequential(nn.Linear(d, 256), nn.ReLU(), nn.Linear(256, d))

    def forward(self, x):
        return self.net(x)

model = Denoiser(d=64)
optim = torch.optim.AdamW(model.parameters(), lr=1e-4)

4. 实务关键点

1. 条件设计比模型深度更重要（历史统计量、节假日、事件变量）。
2. 采样步数与线上延迟需要权衡。
3. 评价应覆盖分布质量：CRPS、Pinball Loss、覆盖率。

5. 常见陷阱

1. 只看 MSE，忽略分布校准。
2. 数据标准化与逆变换流程不一致。
3. 没有做滚动窗口回测，导致过乐观评估。

扩散模型在时间序列中的价值是把“不确定性结构”显式建模，而不仅是提高点预测精度。