面向深度学习的时序数据增强：综述

近年来，深度学习在许多时间序列分析任务上表现极为出色。深度神经网络的优越性能高度依赖于大量训练数据以避免过拟合。然而，许多真实世界时间序列应用的标注数据可能有限，例如医疗时间序列中的分类与 AIOps 中的异常检测。作为一种提升训练数据规模与质量的有效手段，数据增强对于深度学习模型在时间序列数据上的成功应用至关重要。本文系统性地回顾了面向时间序列的不同数据增强方法。我们提出了对所综述方法的分类体系，并通过阐明其优势与局限对这些方法进行了结构化综述。我们还针对时间序列分类、异常检测与预测等不同任务实证比较了不同的数据增强方法。最后，我们讨论并强调了五个未来方向，以提供有益的研究指导。