본 논문은 시계열 모델링을 위한 새로운 조건부 플로우 매칭(CFM) 모델인 TSFlow를 제안합니다. 기존 확산 모델의 고정된 사전 분포 한계를 극복하기 위해, 가우시안 프로세스, 최적 수송 경로, 그리고 데이터 의존적 사전 분포를 결합했습니다. 이를 통해 데이터의 시간적 구조에 더욱 부합하는 사전 분포를 생성하여, 조건부 및 비조건부 생성 성능을 향상시켰습니다. 또한, 비조건부로 학습된 모델에서도 조건부 사전 샘플링을 통해 확률적 예측을 가능하게 합니다. 실제 데이터셋 8개를 이용한 실험 결과, TSFlow는 고품질의 비조건부 샘플을 생성하고, 다양한 예측 벤치마크에서 경쟁력 있는 결과를 보여줍니다.
