Los modelos generativos existentes para la predicción de series temporales transforman distribuciones previas simples (típicamente gaussianas) en distribuciones de datos complejas. Sin embargo, debido a la inicialización del muestreo independiente de los datos históricos, no logran capturar adecuadamente las dependencias temporales y limitan la precisión del pronóstico. Además, tratan los residuos simplemente como objetivos de optimización, ignorando patrones significativos como sesgos sistemáticos o estructuras distribucionales importantes. En este artículo, proponemos el Emparejamiento de Flujo Guiado Condicional (CGFM), un novedoso marco independiente del modelo que extiende el emparejamiento de flujo al incorporar los resultados de los modelos de pronóstico auxiliares. Este marco aprende de la estructura probabilística de los residuos de pronóstico y aprovecha las distribuciones predictivas de los modelos auxiliares para reducir la dificultad de aprendizaje y mejorar los pronósticos. CGFM incorpora datos históricos como condición y guía, emplea rutas condicionales bidireccionales (condicionando los mismos datos históricos tanto para el origen como para el destino) y emplea rutas afines para evitar intersecciones de rutas, mantener la consistencia temporal y mejorar la alineación distribucional sin mecanismos complejos. Los resultados experimentales en varios conjuntos de datos y modelos de referencia demuestran que CGFM supera consistentemente a los modelos de última generación, mejorando el rendimiento del pronóstico.
