保持时间序列生成中的时序动态
机器学习
2026-05-01 v1 人工智能
摘要
时间序列数据增强在以回归为导向的预测任务中发挥着关键作用，而有限的数据限制了深度学习模型的性能。虽然生成对抗网络(GANs)在合成时间序列生成方面显示出前景，但现有方法主要关注匹配边际数据分布，往往忽视原始多变量时间序列中天然存在的时序动态。在生成多变量时间序列时，这种不匹配导致分布迁移和时序漂移，从而降低合成序列的保真度。本文提出一种模型无关的蒙特卡洛(MCMC)-基于框架，以缓解分布迁移并保持合成时间序列中的时序动态。我们对条件生成模型在顺序生成过程中如何累积偏差进行了理论分析，证明MCMC算法可以通过强制与相邻时间点之间的经验转换统计量保持一致来纠正这些偏差。对 Lorenz、Licor、ETTh 和 ILI 数据集使用 RCGAN、GCWGAN、TimeGAN、SigCWGAN 和 AECGAN 进行大量实验，表明所提出的MCMC框架在自相关对齐、偏度误差、峰度误差、R、判别得分和预测得分等指标上均一致性地取得改进。这些结果表明，与其仅依赖对抗分布匹配相比，合成时间序列需要显式保持转换规律，而非仅依靠对抗匹配，从而为改进时间序列数据的生成建模提供了原则性的方向。
引用
@article{arxiv.2604.27182,
title = {Preserving Temporal Dynamics in Time Series Generation},
author = {Ci Lin and Futong Li and Tet Yeap and Iluju Kiringa},
journal= {arXiv preprint arXiv:2604.27182},
year = {2026}
}