Time Series Data Augmentation for Deep Learning: A Survey-优快云博客

本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/126664624

本文系统回顾了时间序列数据增强方法，包括时域、频率域和时频域的增强技术，以及基于分解、统计生成模型和学习方法的高级增强策略。数据增强对于深度学习在时间序列分析任务中的成功至关重要，尤其是在有限的标记数据情况下。通过实证比较，证实了数据增强在异常检测、分类和预测任务中的有效性。未来研究方向包括时频域增强、高斯过程增强、深度生成模型的应用和不平衡类数据增强的结合策略。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文属于数据增强系列综述的文章，针对《Time Series Data Augmentation for Deep Learning: A Survey》的翻译。

摘要

深度学习最近在许多时间序列分析任务中表现出色。深度神经网络的优越性能在很大程度上依赖于大量的训练数据，以避免过拟合。然而，许多现实世界时间序列应用的标记数据可能会受到限制，例如医学时间序列中的分类和AIOps中的异常检测。作为一种提高训练数据大小和质量的有效方法，数据增强对于深度学习模型在时间序列数据上的成功应用至关重要。在本文中，我们系统地回顾了时间序列的不同数据增强方法。我们提出了综述方法的分类法，然后通过强调它们的优势和局限性为这些方法提供了结构化回顾。我们还实证比较了不同任务的不同数据增强方法，包括时间序列异常检测、分类和预测。最后，我们讨论并强调了五个未来方向，以提供有用的研究指导。

1. 引言

深度学习在许多领域取得了显著的成功，包括计算机视觉（CV）、自然语言处理（NLP）和语音处理等。最近，深度学习越来越多地被用于解决时间序列相关任务，包括时间序列分类、时间序列预测和时间序列异常检测。深度学习的成功在很大程度上依赖于大量的训练数据，以避免过拟合。不幸的是，许多时间序列任务没有足够的标记数据。作为增强训练数据大小和质量的有效工具，数据增强对于深