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

本文通过引入编码上下文并在条件生成对抗网络中使用，扩展了基于 Transformer 的时间序列生成对抗网络 (TTS-GAN)，从而可以使用一个模型来拟合具有多个子组件的混合分布。通过定性和定量的评估指标，我们展示了该模型可以生成高维度和长时间序列数据，并在不同条件下具有较好的性能。

Oct, 2022

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

提出了一种名为 TimeVQVAE 的新模型，它使用矢量量化技术解决时间序列生成（TSG）问题，通过在时频域中分离出低频和高频来保留时间序列的重要特征，并使用双向转换模型学习离散潜在空间的先验知识，使其具有更好的全局时间一致性和更好的质量。

Mar, 2023

设计了一种基于生成对抗网络的通用时序合成模型，能够在正常和不规则数据类型上表现出色，相比所有现有方法，我们的方法表现更佳。

Oct, 2022

介绍了一种基于 transformer 的生成对抗网络用于扩充时间序列的数据大小，实现了能够生成与真实数据序列类似的合成时间序列数据。

Feb, 2022

FETSGAN 通过 seq2seq 风格的对抗自编码器将整个序列直接转化为生成器的采样空间，引入了 First Above Threshold（FAT）算子来改善训练稳定性和生成的合成数据的整体质量。这些新颖的贡献在时间相似性的定性度量和通过 FETSGAN 生成的数据的量化预测能力方面，显著改善了对手学习算法的当前艺术状态。

Aug, 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

本论文介绍了一种基于通用 Transformer 架构的随机时间序列模型 tsGT，并使用滚动窗口回测和评估协议展示了其在四个常用数据集上在 MAD 和 RMSE 上优于现有模型，在 QL 和 CRPS 上超越了其随机同行模型，并补充了对 tsGT 建模数据分布和预测边际分位值能力的详细分析。

Mar, 2024

本文提出了一种基于变分自动编码器的新型体系结构，可用于进行时序数据的合成生成，具有可解释性，能够编码领域知识，训练时间较短。实验表明，该方法在数据相似度和预测性方面均表现优异，依然能够准确地呈现原始数据的时态属性，并且对于下一步预测具有显著的改善效果。最后，该模型可以将特定领域的时间模式融入到生成模型中，提供可解释性的输出。

Nov, 2021