TSGM：一种用于合成时间序列生成建模的灵活框架
机器学习
2024-07-10 v2 机器学习
摘要
时间索引数据在广泛领域中至关重要，并受到机器学习研究人员的关注。然而，时间序列数据往往稀缺或高度敏感，这阻碍了研究人员与工业组织之间的数据共享，以及现有和新的数据密集型机器学习方法的应用。这一瓶颈的一个可能解决方案是生成合成数据。在本工作中，我们介绍了 Time Series Generative Modeling（TSGM），一个用于合成时间序列生成建模的开源框架。TSGM 包含广泛的机器学习方法：生成模型、概率方法以及基于模拟器的方法。该框架使用户能够从多个角度评估所生成数据的质量：相似性、下游有效性、预测一致性、多样性与隐私性。该框架是可扩展的，允许研究人员快速实现自己的方法并在可共享的环境中进行比较。TSGM 在开放数据集和生产环境中均进行了测试，并证明在两种情况下都有益。除库之外，该项目还允许用户使用命令行接口生成合成数据，这降低了无编程背景者的入门门槛。
引用
@article{arxiv.2305.11567,
title = {TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series},
author = {Alexander Nikitin and Letizia Iannucci and Samuel Kaski},
journal= {arXiv preprint arXiv:2305.11567},
year = {2024}
}