تُعاني العديد من المهام الواقعية من قيود تتعلق بالبيانات: في بعض الحالات، يكون هناك كمية ضئيلة جدًا من البيانات متاحة، وفي حالات أخرى، تكون البيانات محمية بتنظيمات تُفرض خصوصية (مثل قانون حماية البيانات العامة الأوروبي - GDPR). نتناول القيود المفروضة خصيصًا على بيانات السلاسل الزمنية، ونقدم نموذجًا يمكنه إنشاء سلاسل زمنية اصطناعية يمكن استخدامها بديلًا للبيانات الحقيقية. يمتلك النموذج الذي يُولِّد بيانات سلاسل زمنية اصطناعية هدفين رئيسيين: الأول، التقاط التوزيع الشرطي الخطوي للsequences الحقيقية؛ والثاني، تمثيل التوزيع المشترك الكامل للsequences الحقيقية بدقة. يمكن استخدام النماذج ذات التكرار العكسي (Autoregressive) التي تُدرَّب باستخدام تقدير الاحتمال الأقصى (MLE) في نظام يُعاد فيه تغذية التنبؤات السابقة لاستخدامها في التنبؤ بالمستقبل؛ لكن في هذه النماذج، يمكن أن تتراكم الأخطاء بمرور الوقت. علاوةً على ذلك، يتطلب الأمر قيمة أولية معقولة، مما يجعل النماذج المستندة إلى MLE غير حقيقية حقًا من حيث التوليد. وبما أن العديد من المهام اللاحقة تتعلم تمثيل التوزيعات الشرطية للسلاسل الزمنية، فإن البيانات الاصطناعية المستمدة من نموذج توليدي يجب أن تحقق الشرط (1) بالإضافة إلى أداء (2). نقدّم إطار العمل TsT-GAN، الذي يستفيد من معمارية Transformer لاستيفاء هذه المتطلبات، ونقارن أداؤه مع خمسة نماذج رائدة حديثًا على خمسة مجموعات بيانات، ونُظهر أن TsT-GAN يحقق أداءً تنبؤيًا أعلى على جميع مجموعات البيانات.