Aug, 2020

使用时间序列数据增强技术提高全球预测模型的准确度

PDF
TL;DR提出了一种基于数据增强的全局预测模型 (GFM) 方法，通过三种时间序列增强技术生成一系列时间序列，并通过聚合和迁移学习方法将所得到的知识转移至原始数据集，实现在有限数据量情况下提高预测精度的目的。在比赛和实际数据集的评估中，该算法显著提高了 GFM 模型的基准精度，超过了现有基于单变量预测的方法。
发现论文，激发创造
  • 时间序列数据增强的不平衡学习问题

    这篇研究提出了一种生成单变量时间序列合成样本的新方法，通过使用过采样技术创建合成时间序列观测来改善预测模型的准确性，并在实验中证明了该方法优于全局模型和本地模型，提供了更好的权衡。

    Apr, 2024

  • FrAug: 时域预测的频率域增强技术

    本文提出了一种名为 FrAug 的频率域增强方法，以改善时间序列预测模型的精度，并且也能够在数据量少和分布变化时发挥作用。

    Feb, 2023

  • 长期预测的数据增强策略搜索

    我们介绍了一种名为 TSAA 的时间序列自动增强方法，用于应对长期预测中的过拟合挑战，并在挑战性的一元和多元预测基准问题上表现出卓越的性能，建议将其整合到预测流程中。

    May, 2024

  • 利用高斯过程提升均值回归时间序列预测：金融预测中的功能性和增强数据结构

    本研究使用高斯过程（GPs）探索了对具有基本结构的均值回归时间序列进行预测的应用，使用相对未开发的函数和增强数据结构。通过模拟数据，我们可以将预测分布与测试集的实际分布进行比较，从而减少对实际数据进行时间序列模型测试时固有的不确定性。

    Feb, 2024

  • 时间序列领域中的数据增强技术：调查和分类

    本文为了指导未来的研究者，系统地回顾了基于深度生成模型的时间序列数据生成算法，并提出了最相关的研究分类学，同时对算法的性能和评估进行了分析。

    Jun, 2022

  • 时间序列预测是否真的需要深度学习模型？

    本文介绍了一种基于时间序列的深度学习方法及其与传统机器学习方法的比较结果，结果表明，输入变换可以提高传统 GBRT 模型的性能，使其优于所有评估的最新 DNN 模型。

    Jan, 2021

  • 基于分类的时间序列数据增强方法应对太阳耀斑预测中的极端类别不平衡

    本研究提出了一种用于时间序列数据的新型数据增强方法 —— 均值高斯噪声（MGN），并通过在太阳耀斑预测的多变量时间序列数据集 SWAN-SF 上使用时间序列数据的机器学习算法 TimeSeriesSVC，将 MGN 的性能与八种现有的基本数据增强方法进行了比较，结果表明 MGN 的有效性，并突显其在极度不均衡数据场景中改善分类性能的潜力。此外，时间复杂性分析表明，与所调查的备选方法相比，MGN 也具有竞争力的计算成本。

    May, 2024

  • 利用判别式 teacher 进行时间扭曲的神经网络时间序列数据增强

    本文旨在解决时间序列分类数据集较小的问题，提出了一种基于动态时间规整的数据增强方法 guided warping，使用深度卷积神经网络和循环神经网络对 85 个时序数据集进行了评估。

    Apr, 2020

  • GEANN：用于多时域时间序列预测的可扩展图增强技术

    使用图神经网络作为数据增强来改善编码器，在冷启动产品的需求预测中取得明显的收益。

    Jul, 2023

  • 时间序列图像化以提高分类和插补能力

    本研究利用深度学习，将时间序列编码为各种类型的图像，并使用卷积神经网络对其进行分类，其中采用 GASF/GADF 和 MTF 技术进行编码。通过在 20 个标准数据集上使用 TILE CNNs 进行学习，本方法取得了与当前九种最佳时间序列分类方法具有高度竞争力的结果。同时，本文还使用 DA 对经过编码的 GASF 图像进行降噪自编码器的培训，并在 4 个标准数据集和一个合成复合数据集上证明，使用 GASF 图像进行插值可以将测试数据的均方误差降低 12.18％-48.02％。分析了由 Tibed CNNs 和 DAs 学习到的特征和权重，解释了本方案的工作原理。

    Jun, 2015