Grasynda：基于图的合成时间序列生成
机器学习
2026-01-28 v1
摘要
数据增强是时间序列预测中的一个关键工具，特别是对于需要大量训练样本才能有效泛化的深度学习架构。然而，在现实场景中并不总是有广泛的数据集可用。尽管存在许多数据增强方法，但其局限性包括使用了不能充分保留数据属性的变换。本文介绍了Grasynda，一种新颖的基于图的合成时间序列生成方法，该方法：(1) 使用图表示将单变量时间序列转换为网络结构，其中每个状态是一个节点，每个转移表示为一条有向边；(2) 在转移概率矩阵中编码其时间动态。我们对Grasynda作为时间序列预测的数据增强方法进行了广泛评估。我们在六个基准数据集上使用了三种神经网络变体。结果表明，Grasynda始终优于其他时间序列数据增强方法，包括最先进时间序列基础模型中使用的那些。该方法及所有实验均已公开。
引用
@article{arxiv.2601.19668,
title = {Grasynda: Graph-based Synthetic Time Series Generation},
author = {Luis Amorim and Moises Santos and Paulo J. Azevedo and Carlos Soares and Vitor Cerqueira},
journal= {arXiv preprint arXiv:2601.19668},
year = {2026}
}
备注
Accepted in IDA'26