本研究提出FM-TS框架，旨在解决时间序列生成中的计算复杂性问题，优化生成过程，支持条件和无条件生成，性能优于现有方法。

生成式人工智能在图像和语言领域引起关注，但在时间序列生成方面的研究还不充分。本综述回顾了转换器、GANs、扩散模型、状态空间模型和自编码器等已有研究工作。尽管没有确定性解决方案，但这些工作提供了启发和未来工作建议。

TimeVQVAE是一种新的时间序列生成模型，使用矢量量化技术分离低频和高频，保留重要特征，通过学习离散潜在空间的先验知识提高时间一致性和质量。

本研究使用多个深度生成方法和两种新方法进行条件多步时间序列生成，并引入关键绩效指标评估生成时间序列质量。研究结果显示HS、GARCH和CWGAN模型表现最佳，未来研究方向正在讨论中。