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。

本文提出了一种基于Transformer的扩散模型（TDDPM），旨在解决时间序列生成模型在移动性数据处理中的挑战。该模型通过新的训练方法和设计，在视频生成和动态场景图生成任务中表现出色，达到了最先进的性能，适用于多种应用场景。

本文介绍了多种基于生成对抗网络（GAN）的时间序列生成模型，如TSGAN和CGAN，强调它们在生成高维度和长时间序列数据方面的优越性能。这些模型在市场风险分析中表现出色，能够有效预测风险因素分布，并提出了一套评估生成时间序列质量的关键绩效指标。

该文综述扩散模型在时间序列与语音生成中的进展：TS-Diffusion处理不规则采样与缺失值，TSDM用于故障诊断，TSDiff支持预测与合成，D3PM面向离散数据，DDIM加速采样；语音方面，DiffGAN-TTS、Diff-TTS、ProDiff实现快速高保真合成，DDPM改进似然与采样效率。