具有相似性控制且保留原始信号统计特征的合成随机环境时间序列生成
统计方法学
2025-02-05 v1
摘要
合成数据集广泛应用于诸多领域，如缺失数据填补、非平稳场景检验、仿真模拟、数据驱动模型训练以及系统鲁棒性分析。通常，合成数据基于从观测系统获取的历史数据。这些数据需要既能代表系统的特定行为，又足够新颖多样，以便系统能接受广泛输入的挑战。本文提出一种基于离散傅里叶变换的方法，用于为任意给定信号生成具有相似统计矩的合成时间序列。该方法能够控制给定信号与生成的合成信号之间的相似程度。分析证明，该方法保留了输入信号的前两阶统计矩及其自相关函数。我们将该方法与已知方法（ARMA、GAN 和 CoSMoS）进行了比较。使用了来自不同领域、具有不同时间分辨率的大量环境数据集，以检验该方法的通用性和灵活性。实现该方法的 Python 库已作为开源软件提供。
引用
@article{arxiv.2502.02392,
title = {Synthetic Random Environmental Time Series Generation with Similarity Control, Preserving Original Signal's Statistical Characteristics},
author = {Ofek Aloni and Gal Perelman and Barak Fishbain},
journal= {arXiv preprint arXiv:2502.02392},
year = {2025}
}
备注
Accepted for publication 27 November 2024. Code available at https://github.com/Al-Ofek/stsg.git