---
title: "时序预测增强方法综述：从频域到 TPS"
author: "Sai Nitesh Palamakula"
source: "DeepHub IMBA / 数据派THU"
date: "2026-05"
type: "article"
tags: ["time-series", "data-augmentation", "forecasting", "TPS", "deep-learning"]
---

# TPS：时序预测增强方法综述

> 预测增强的核心矛盾：必须引入足够多样性，同时保持时间一致性，让增强后的信号仍然是一个合法的连续序列。

## 为什么分类增强在预测中失效

分类增强（jittering、scaling、warping）假设标签不变——但在预测中，"标签"就是序列后续部分。只扰动输入会破坏 **[[data-label-consistency|数据-标签一致性]]**，这是预测增强中单一消融性能下降最大的因素。

## 方法全景

详见 [[forecasting-augmentation-taxonomy|预测增强分类体系]]：

| 路线 | 代表方法 | 核心思想 |
|------|---------|---------|
| 频域 | [[freqmask-freqmix\|FreqMask/FreqMix]] | FFT 域 mask/mix |
| 时频域 | [[wavemask-wavemix\|WaveMask/WaveMix]] | Wavelet 多分辨率操作 |
| 频域（保守） | [[dominant-shuffle]] | 仅 shuffle top-k 主导频率 |
| 分解 | [[staug\|STAug]] | EMD → IMF → mixup |
| Patch | **[[temporal-patch-shuffle\|TPS]]** ⭐ | 重叠 patch + variance 选择 + 平均重建 |

## TPS：当前 SOTA

[[temporal-patch-shuffle]] 的六步流程：

```
x ∥ y → Overlapping Patches → Variance Score → Selective Shuffle → Average Reconstruct → x̃, ỹ
```

超参数：patch 长度 p、stride s、shuffle 比例 α（约 20 种配置的验证集搜索）。

## 消融关键发现

1. **[[data-label-consistency]] > 重叠 > variance 排序 > 时域 vs 频域**
2. Shuffle 比例 0.7-1.0 最优
3. 时域直接操作优于 FFT 后 patch 操作

## 实验覆盖

- **长期预测**：9 数据集 × 5 骨干（TSMixer/DLinear/PatchTST/TiDE/LightTS）— TPS 全胜
- **短期交通预测**：4 PeMS 数据集（PatchTST）— MSE 提升 2.34%-7.14%
- **时间序列分类**：UCR + UEA — 准确率 +0.50%/+1.10%

## 核心洞察

TPS 的成功来自几个叠加因素：不破坏 input-target 关系、重叠+平均守住局部时间结构、variance 引导的选择性扰动。它不是"加随机性"，而是"加受控随机性"。

## 相关页面

- [[time-series-forecasting-augmentation]] — 预测增强的通用框架
- [[non-stationary-time-series]] — 非平稳时间序列
- [[fourier-filter-dynamics]] — Fourier 滤波动力学