基于相关性数据增强的深度学习模型极端值预测
机器学习
2025-10-06 v1 人工智能
摘要
利用生成对抗网络（GANs）进行数据增强在类别不平衡问题中广受欢迎，主要用于模式分类和计算机视觉相关应用。极值预测是一个具有挑战性的领域，在金融到气候变化等问题中有各种应用。在本研究中，我们提出了一种用于极值预测的数据增强框架。在该框架中，我们关注结合 GANs 和合成少数类过采样技术（SMOTE）等数据增强模型，利用深度学习模型进行面向极端值的多步预测。我们使用卷积长短期记忆网络（Conv-LSTM）和双向长短期记忆网络（BD-LSTM）等深度学习模型进行多步预测。我们研究了哪些数据增强模型最为合适，同时考虑整体预测精度和极端区域的预测精度以及计算效率。我们还提出了基于相关性函数考虑极值的数据增强新策略。结果表明，基于 SMOTE 的策略始终表现出优越的适应性，在短期和长期预测中均实现了性能提升。Conv-LSTM 和 BD-LSTM 展现出互补优势：前者在周期性、稳定的数据集上表现优异，后者在不稳定或非平稳序列上表现更好。
引用
@article{arxiv.2510.02407,
title = {Extreme value forecasting using relevance-based data augmentation with deep learning models},
author = {Junru Hua and Rahul Ahluwalia and Rohitash Chandra},
journal= {arXiv preprint arXiv:2510.02407},
year = {2025}
}