FrAug：面向时间序列预测的频域增强
机器学习
2023-02-21 v1 人工智能
摘要
数据增强（DA）已成为扩展深度学习训练数据规模的事实标准解决方案。随着用于时间序列分析的深度模型激增，文献中提出了多种时间序列 DA 技术，例如基于裁剪、扭曲、翻转和混合的方法。然而，这些增强方法主要应用于时间序列分类和异常检测任务。在时间序列预测（TSF）中，我们需要对时间序列片段内的细粒度时序关系进行建模，以根据回溯窗口中的数据生成准确的预测结果。时域中现有的 DA 解决方案会破坏这种关系，导致预测精度不佳。为解决此问题，本文提出了简单而有效的频域增强技术，确保预测中增强数据-标签对的语义一致性，命名为 FrAug。我们在八个广泛使用的基准数据集上，使用多个最先进的 TSF 深度模型进行了大量实验。结果表明，在大多数情况下，FrAug 可以提升 TSF 模型的预测精度。此外，我们表明 FrAug 使得仅用 1% 原始训练数据训练的模型能够达到与使用完整训练数据训练的模型相似的性能，这对于冷启动预测尤其具有吸引力。最后，我们证明应用测试时训练与 FrAug 可极大改善具有显著分布偏移的时间序列的预测精度，这种情况在实际 TSF 应用中经常发生。我们的代码可在 https://anonymous.4open.science/r/Fraug-more-results-1785 获取。
引用
@article{arxiv.2302.09292,
title = {FrAug: Frequency Domain Augmentation for Time Series Forecasting},
author = {Muxi Chen and Zhijian Xu and Ailing Zeng and Qiang Xu},
journal= {arXiv preprint arXiv:2302.09292},
year = {2023}
}