面向时间序列预测的多样且连贯的数据增强
机器学习
2023-03-28 v1 人工智能
摘要
时间序列数据增强缓解了深度学习模型训练数据不足的问题。然而，现有的增强方法主要面向分类任务设计，其中即使增强改变了时间动态，类标签仍可保留。我们注意到，为预测设计的增强需要多样性以及与原始时间动态的连贯性。由于真实物理过程生成的时间序列数据在时域和频域均表现出特征，我们提出结合频谱与时间增强（STAug）以生成更多样且连贯的样本。具体而言，在频域中，我们使用经验模态分解将时间序列分解，并以随机权重重新组装子分量。这样，我们生成的多样样本与原始时间关系保持连贯，因为它们包含相同的基组分集合。在时域中，我们采用mix-up策略生成多样且线性介于中间的连贯样本。在五个真实世界时间序列数据集上的实验表明，STAug优于无数据增强的基模型以及最先进的增强方法。
引用
@article{arxiv.2303.14254,
title = {Towards Diverse and Coherent Augmentation for Time-Series Forecasting},
author = {Xiyuan Zhang and Ranak Roy Chowdhury and Jingbo Shang and Rajesh Gupta and Dezhi Hong},
journal= {arXiv preprint arXiv:2303.14254},
year = {2023}
}
备注
ICASSP 2023