本文介绍了 Time Series Generative Modeling（TSGM）框架，该框架利用生成模型、概率和模拟器等机器学习方法生成合成的时间序列数据，可以从相似度、预测一致性、多样性和隐私保护等方面评估数据质量。TSGM 不仅适用于开放数据集，而且在实际生产中也表现出巨大的潜力。同时，该项目允许用户使用命令行界面进行合成数据生成，这降低了编程背景较弱的用户的学习门槛。

May, 2023

本篇论文介绍了一种名为 TS-MULE 的局部代理模型解释方法，它是针对时间序列的，利用扩展的 LIME 方法，为具有黑匣子模型的时间序列提供了解释。在扩展版本中，这篇论文展示了通过使用不同的时间序列分段方法来提高代理归因的质量的六种采样分割方法，并在三种深度学习模型体系结构和三种常见的多变量时间序列数据集上展示了其性能。

Sep, 2021

本文基于广泛的元学习框架提供了积极的证据，证明元学习能够发现处理时间序列的通用方法，从而大幅提高其在来自不同数据集的新 TS 上的泛化能力。通过许多数据的实验结果和理论分析可以发现，在成功的零 - shot 单变量预测中，元学习机制的重要性。这表明，可以在源 TS 数据集上训练神经网络，并在不同的目标 TS 数据集上部署，而无需重新训练，从而获得至少与先进的单变量预测模型一样好的性能。

Feb, 2020

通过提出一个可扩展的合成图生成工具，该工具从专有数据集中学习一系列参数模型，可以为研究人员提供研究各种图方法的合成数据，从而实现原型开发和创新应用的目的。

Dec, 2023

本文讨论合成数据在神经网络人工智能系统开发中的重要作用，并探讨复杂多尺度机制模拟模型生成多维时间序列数据在生物医学领域中的应用，尤其是对于疾病预测和药物开发流程的重要性。

Mar, 2023

合成时间序列生成是数据增强、异常检测和隐私保护等各种应用中至关重要的，然而现有方法存在三个限制，而为了克服这些限制，我们引入了一个统一和综合评估 TSG 方法的 TSGBench 基准，它包括三个模块：一系列经过精心筛选的适用于合成时间序列的真实世界数据集和标准化的预处理流程；包括传统评估方法、基于距离的新评估方式和可视化工具在内的一套全面的评估措施；一项具有开创性的领域适应根基的泛化测试，兼容所有方法。我们对来自不同领域的十个真实世界数据集进行了广泛的实验，利用了十种先进的 TSG 方法和十二种评价措施，所有这些通过 TSGBench 进行了评估，结果突显出其显著的功效和一致性，更重要的是，TSGBench 提供了方法排名的统计细分，阐明了不同数据集和评估措施之间的性能变化，并且提供了对每种方法有效性的细致见解。

Sep, 2023

为了支持机器学习方法在预测时间序列数据方面的进展，我们提供了一个专门设计用于长期时间序列预测的全面数据集。我们将从不同的动态系统和真实记录中获取的一系列数据集进行了标准化，每个数据集都被分成了训练和测试轨迹，并设定了预定的回溯长度。通过对经典和先进的模型（即 LSTM，DeepAR，NLinear，N-Hits，PatchTST，和 LatentODE）进行广泛的基准分析，我们确定在不同场景中最有效的模型。我们的研究结果显示出这些模型之间有着有趣的性能比较，突显了模型效果与数据集有关的特性。值得注意的是，我们引入了一个定制的 latent NLinear 模型并且通过课程学习阶段提高了 DeepAR 的性能，它们在效果上始终优于其原始版本。

Sep, 2023

通过提出一种基于 Transformer 的扩散模型（TDDPM）来解决时间序列生成模型在处理移动性数据时的限制和挑战，并在新的综合基准测试中显示了显著的改进和扩展性。

Jun, 2024

本文提出了一种新型时序生成对抗网络 (Time Series GAN，TSGAN)，并以基准时序数据库中的 70 个数据集作为评估对象，证明了 TSGAN 相较竞争对手表现更好，既在 Frechet Inception Score (FID) 度量中表现更佳，也在分类评估标准上具有更好的定性表现。

Jun, 2020

研究了在时间序列的分类和回归问题中，使用不同的技术进行数据增强的方法，特别关注了使用扩散概率模型和元属性来生成合成数据的可行性，结果表明该方法在训练分类和回归模型时具有很高的实用性。

Dec, 2023