Các mô hình sinh hiện có để dự báo chuỗi thời gian chuyển đổi các phân phối tiên nghiệm đơn giản (thường là phân phối chuẩn Gauss) thành các phân phối dữ liệu phức tạp. Tuy nhiên, do khởi tạo mẫu độc lập với dữ liệu quá khứ, chúng không nắm bắt được đúng các phụ thuộc về thời gian và hạn chế độ chính xác của dự báo. Hơn nữa, chúng chỉ coi phần dư là mục tiêu tối ưu hóa, bỏ qua các mô hình có ý nghĩa như độ lệch hệ thống hoặc các cấu trúc phân phối quan trọng. Trong bài báo này, chúng tôi đề xuất Conditional Guided Flow Matching (CGFM), một khuôn khổ độc lập với mô hình mới, mở rộng việc khớp luồng bằng cách kết hợp các đầu ra của các mô hình dự báo phụ trợ. Khuôn khổ này học hỏi từ cấu trúc xác suất của phần dư dự báo và tận dụng các phân phối dự đoán của các mô hình phụ trợ để giảm độ khó học và cải thiện dự báo. CGFM kết hợp dữ liệu lịch sử vừa là điều kiện vừa là hướng dẫn, sử dụng các đường dẫn có điều kiện hai chiều (điều kiện trên cùng một dữ liệu quá khứ cho cả nguồn và đích) và sử dụng các đường dẫn affine để tránh giao điểm của các đường dẫn, duy trì tính nhất quán về thời gian và tăng cường sự liên kết phân phối mà không cần các cơ chế phức tạp. Kết quả thử nghiệm trên nhiều tập dữ liệu và mô hình cơ sở khác nhau chứng minh rằng CGFM luôn vượt trội hơn các mô hình tiên tiến, giúp cải thiện hiệu suất dự báo.
