本文提出了基于去噪扩散概率模型的深度学习生成方法，首次应用于利用全球能源预测竞赛2014的开放数据进行能源预测。结果表明，这种方法与其他最先进的深度学习生成模型竞争力相当。

Dec, 2022

探索了无特定任务条件下以时间序列为基础的扩散模型，通过自我引导机制，在推理过程中对TSDiff进行条件处理，并且不需要辅助网络或改变训练程序。展示了方法在预测、细化和合成数据生成三个时间序列任务中的有效性。

Jul, 2023

本文介绍了Home Electricity Data Generator (HEDGE)，一种用于生成真实住宅能源数据的开放访问工具。HEDGE基于英国真实数据，生成了住宅光伏发电、家庭电负荷、电动车消耗和在家可用性的真实日常数据。我们利用HEDGE填补了可用数据的不足，为住宅分布式能源资源特性和协调的研究提供了数据支持。

Oct, 2023

本文中，我们使用了一种1D深度卷积生成对抗网络（DCGAN）来进行能源时间序列数据中的顺序异常检测。通过梯度下降来重构能量子序列，通过生成器网络识别生成它们的噪声向量。我们使用可微的Soft-DTW作为重构损失的替代方法，发现其优于欧几里德距离。将重构损失和潜在空间的先验概率分布相结合可作为异常得分。实验证明，我们的新方法通过并行计算多个点的重构加速检测，并在15栋建筑的小时能源时间序列上显示出识别异常能耗的潜力。

Feb, 2024

基于异构元数据的时序生成，Time Weaver模型通过利用分类、连续和时变变量显著提高时序生成，并创新性地提出了适用于时序领域的评估指标，证明在真实世界的能源、医疗、空气质量和交通数据集上，在下游分类任务中性能优于生成对抗网络（GANs）。

Mar, 2024

使用相关元数据来生成高质量的合成能源数据的条件扩散模型相比于传统方法表现出更好的性能，具有较低的Frechet Inception Distance（FID）得分和Kullback-Leibler divergence（KL散度）的减少。

Mar, 2024

通过结合变分自动编码器（VAE）和去噪扩散概率模型（DDPM）的思想，我们提出了一种名为TimeAutoDiff的模型，用于生成时间序列表格数据。该模型能够处理各种类型的时间序列表格数据，具有良好的保真度和实用性，并且在生成速度上有显著改进；此外，它还实现了对具有异构特征的多序列时间序列表格数据的有条件生成。

Jun, 2024

提出了Diff-MTS，一种基于时间增强的条件自适应扩散模型，用于工业多变量时间序列（MTS）的生成。综合实验表明，与基于GAN的方法相比，Diff-MTS在多样性、保真度和实用性方面表现更好，促进了工业数据的生成和工业大模型的构建。

Jul, 2024

本研究解决了在电力系统中，电能时间序列数据（ETS）建模过程中的通用表示学习难题。提出的PowerPM基础模型通过 temporal encoder 和 hierarchical encoder，有效捕捉ETS数据的时间依赖性及其层次间关联，并运用新的自监督预训练框架，实现了在多种下游任务中显著提高性能，展现了强大的泛化能力。

Aug, 2024

本文针对时间序列生成中使用标准高斯先验不适合的问题，提出了TimeBridge框架，利用多样化的先验分布和扩散桥技术进行灵活的合成。研究表明，该模型在无条件和有条件的时间序列生成任务上实现了最先进的性能，显著提升了生成效果。

Aug, 2024