利用基于图像的生成对抗网络进行时间序列生成
机器学习
2023-09-01 v2 计算机视觉与模式识别
机器学习
摘要
图像生成模型因能从复杂数据分布中生成逼真样本，在计算机视觉与自然语言处理中获得了显著关注。为将基于图像的生成模型的进展引入时间序列领域，我们提出一种二维图像表示——扩展跨期收益图（XIRP）。我们的方法以尺度不变且可逆的方式捕捉跨期时间序列动态，减少训练时间并提升样本质量。我们将现成的带梯度惩罚的 Wasserstein GAN（WGAN-GP）生成的合成 XIRP 在相似性与预测能力指标上与其他图像表示及模型进行基准比较。我们这种新颖的、经过验证的时间序列图像表示在预测能力上持续且显著优于最先进的基于 RNN 的生成模型。此外，我们引入一种改进的随机逆变换，以大幅提升任意表示下的仿真质量，并提供了在其他领域迁移潜力的前景。
引用
@article{arxiv.2112.08060,
title = {Leveraging Image-based Generative Adversarial Networks for Time Series Generation},
author = {Justin Hellermann and Stefan Lessmann},
journal= {arXiv preprint arXiv:2112.08060},
year = {2023}
}