时间补丁混洗（TPS）：利用补丁级混洗提升时间序列预测的泛化性与鲁棒性
机器学习
2026-04-13 v1
摘要
数据增强是提高模型泛化性和鲁棒性的关键技术，尤其在深度学习模型训练数据有限的情况下。虽然已developed许多用于时间序列分类的数据增强方法，但大多数方法无法直接应用于时间序列预测，因为需要保持时间连贯性。本文提出了一种名为Temporal Patch Shuffle（TPS）的简单且与模型无关的数据增强方法，用于预测任务，该方法提取重叠的时间补丁，利用基于方差的排序作为保守启发式方法对部分补丁进行有选择地混洗，然后通过平均重叠区域来重构序列。该设计在增加样本多样性的同时，保留了与预测一致的局部时间结构。我们在九个长期预测数据集上使用五种最新模型族（TSMixer、DLinear、PatchTST、TiDE和LightTS）进行了广泛评估，并在四个短期预测数据集上使用PatchTST进行评估，观察到一致的性能提升。进一步的详尽消融研究进一步证明了所提方法的有效性、鲁棒性及设计理念。
引用
@article{arxiv.2604.09067,
title = {Temporal Patch Shuffle (TPS): Leveraging Patch-Level Shuffling to Boost Generalization and Robustness in Time Series Forecasting},
author = {Jafar Bakhshaliyev and Johannes Burchert and Niels Landwehr and Lars Schmidt-Thieme},
journal= {arXiv preprint arXiv:2604.09067},
year = {2026}
}
备注
25 pages, 7 figures, 17 tables