ReDiTT: 用于异步时间序列的检索增强条件扩散Transformer

ReDiTT 是一种用于异步时间序列预测的检索增强条件扩散 Transformer。该模型在潜在空间中操作，从记忆库中检索结构相似的潜在序列作为参考条件，通过交叉注意力机制融入生成过程，从而提升长时预测的稳定性和样本多样性。在七个真实世界数据集上，ReDiTT 在下一事件预测和长时预测任务上均取得了最先进的性能。代码已开源。

相比传统时间序列预测方法，ReDiTT 通过检索历史中的类似结构序列作为生成条件，克服了长时预测中的不确定性累积问题，同时提高了样本多样性。这是扩散模型在异步时间序列上首次结合检索增强机制，为处理不规则间隔事件序列提供了新范式。

ReDiTT 在潜在空间对异步事件序列进行扩散建模。训练和推理时，模型从记忆库中检索与当前序列结构相似的潜在序列，将其作为交叉注意力的参考条件，从而提供全局模式指导。这种检索条件化让模型能捕捉重复出现的时序动态，稳定长时生成并增加多样性。

• ReDiTT 在实时或近实时预测场景中的推理延迟是否能满足生产要求？
• 记忆库的构建和更新策略是否依赖特定领域，能否跨任务通用？
• 模型是否仅适用于事件类型和间隔预测，还是可以扩展到连续值时间序列？