用于消除太阳耀斑预测中极端类别不平衡的基于类的时间序列数据增强
机器学习
2024-06-03 v1 天体物理仪器与方法
太阳与恒星天体物理
人工智能
摘要
时间序列数据在各个领域发挥着关键作用，对于决策-making 和预测建模具有重要价值。机器学习（ML）和深度学习（DL）在这方面表现出前景，但其性能取决于数据质量和数量，常常受数据稀缺和类别不平衡的限制，尤其是对于罕见事件如太阳耀斑。数据增强技术提供了解答这些挑战的潜在方法，但其在多变量时间序列数据集上的有效性尚未得到充分探索。在本研究中，我们提出了一种名为 Mean Gaussian Noise（MGN）的新型时间序列数据增强方法。我们将 MGN 与八种现有的基本数据增强方法在用于太阳耀斑预测的多变量时间序列数据集 SWAN-SF 上进行比较，采用一种用于时间序列数据的 ML 算法 TimeSeriesSVC。结果表明，MGN 的有效性得到证实，并凸显了其在极端不平衡数据情景中提高分类性能的潜力。我们的时间复杂度分析显示，MGN 也具有与所调查的备选方法相竞争的计算成本。
引用
@article{arxiv.2405.20590,
title = {Class-Based Time Series Data Augmentation to Mitigate Extreme Class Imbalance for Solar Flare Prediction},
author = {Junzhi Wen and Rafal A. Angryk},
journal= {arXiv preprint arXiv:2405.20590},
year = {2024}
}