对于时间序列，您希望在深度学习中使用 LSTM 或其他循环神经网络而不是无监督生成模型。您还可以将其转换为使用使用您喜欢的任何机器学习算法来预测$x_t$$x_{t+1}$

正如您在博客文章和生成模型的维基百科中看到的那样：“在概率和统计中，生成模型是用于随机生成可观察数据值的模型，通常给定一些隐藏参数。” 您应该注意生成模型的输入是一些通常没有意义的隐藏参数，而您希望在生成。$x_t$$x_{t+1}$

您还应该在 OpenAI 的博客文章中注意到“ PixelRNN等自回归模型训练一个网络，该网络对给定先前像素（左侧和顶部）的每个单独像素的条件分布进行建模。这类似于插入像素将图像转换为 char-rnn，但 RNN 在图像上水平和垂直运行，而不仅仅是一维字符序列。 ”所以 PixelRNN 基本上就像一个循环神经网络，只是序列在二维方向上，而你只有时间作为你的一维方向。这仍然只是将您带到 LSTM。

如果你真的真的很想使用 GAN 等花哨的算法，你可以这样做：忘记你有一个时间序列。通常在生成时序数据时，数据是按照一步一步生成的，类似于 PixelRNN。相反，只需将数据视为一堆数字，或类似于图像生成的一维图像，现在您可以完美地类比使用 GAN 生成图像：每个完整的时间序列都是您的 GAN 的单个训练数据。这种方法完全忽略了时间序列的一些特征，例如因果关系，只是将您的数据视为一堆数字。我非常怀疑这是否会奏效，但我鼓励您尝试。$p(x_{t+1}|x_{1..t})$