长期预测的数据增强策略搜索
本文系统地回顾了多种用于时间序列数据的数据增强方法,并通过对它们的优点和局限性进行结构化的概述来比较它们的性能,包括在不同任务下的时间序列分类、异常检测和预测,并讨论并强调了五个未来的研究方向。
Feb, 2020
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
本文提出了一种结合了谱分解和时间分解的数据增强方法,可用于预测型时间序列数据的生成,实验表明该方法在五个真实的数据集上均取得了比其他基准模型和增强方法更好的表现。
Mar, 2023
本论文调研了时间序列数据增强技术及其在神经网络时间序列分类中的应用,其中提出了四种基于变换、模式混合、生成模型和分解方法的方法, 并在 128 个时间序列分类数据集上使用六种不同类型的神经网络对 12 种时间序列数据增强方法进行了实证评估,以分析每种数据增强方法的特点、优缺点和建议,并旨在帮助选择神经网络应用的时间序列数据增强方法
Jul, 2020
我们的研究探讨了数据增强对多变量时间序列模型性能的影响,重点关注 UCR 存档中的数据集。尽管这些数据集规模有限,但我们通过使用 Rocket 和 InceptionTime 模型,在 13 个数据集中有 10 个实现了分类准确度的提升。这突显了充足数据在训练有效模型中的重要作用,并与计算机视觉领域取得的进展相一致。我们的工作在创新的方式下将现有方法适应并应用于多变量时间序列分类领域。我们对这些技术的全面探索为解决时间序列分析中的数据稀缺性设立了新标准,强调多样化的增强策略对于发掘传统和深度学习模型的潜力至关重要。此外,通过细致分析和应用各种增强技术,我们证明了战略性的数据丰富可以提高模型准确度。这不仅为未来的时间序列分析研究确立了基准,还强调了在有限数据可用性情况下采用多样化增强方法以提高模型性能的重要性。
Jun, 2024
利用 OnDAT (即时数据增强) 方法,在深度学习模型的训练和验证过程中动态生成不断变化的增强数据集,以减少过拟合并提高预测性能。通过实验证明,与在训练之前应用数据增强的策略以及不采用数据增强的策略相比,OnDAT 方法能够获得更好的预测性能。
Apr, 2024
对于时间序列分类中的数据增强技术进行了详细研究,包括对过去十年间超过百篇研究论文中六十种不同数据增强方法的全面评估,并提出了专为时间序列分类设计的创新分类法,同时针对数据特征给出了基于实验结果的准确和实用建议。
Oct, 2023