快速扩增时间序列 (RATS)：一个高性能时间序列增强库
机器学习
2026-01-07 v1 人工智能
性能
摘要
时间序列增强对于训练具有鲁棒性的深度学习模型至关重要，尤其是在标注数据稀缺且获取成本高昂的领域。然而，现有的几乎所有时间序列增强库均采用 Python 编写，存在性能瓶颈——随着数据集规模的增大，运行时间呈指数增长，这一问题限制了其在大规模、生产级系统中的应用。我们引入 RATS (Rapid Augmentations for Time Series)，一个采用 Rust 编写并提供 Python 绑定 (RATSpy) 的高性能时间序列增强库。RATS 实现了涵盖基础变换、频域操作和时间扭曲等多种增强方法，所有方法均通过统一的管道接口实现，并内置并行化支持。对 RATSpy 与常用库 tsaug 在 143 个数据集上的全面基准测试显示，RATSpy 相比 tsaug 实现了平均 74.5% 的加速提升（在大型数据集上最高可达 94.8%），峰值内存使用降低最高可达 47.9%。
引用
@article{arxiv.2601.03159,
title = {Rapid Augmentations for Time Series (RATS): A High-Performance Library for Time Series Augmentation},
author = {Wadie Skaf and Felix Kern and Aryamaan Basu Roy and Tejas Pradhan and Roman Kalkreuth and Holger Hoos},
journal= {arXiv preprint arXiv:2601.03159},
year = {2026}
}