---
title: "Time Series Forecasting Augmentation"
created: 2026-05-26
type: concept
tags: ["time-series", "data-augmentation", "forecasting", "deep-learning"]
sources: ["temporal-patch-shuffle-tps"]
---

# Time Series Forecasting Augmentation

> 时间序列预测中的数据增强——必须同时满足多样性引入和时间一致性保持。

## 与分类增强的本质区别

| 维度 | 分类增强 | 预测增强 |
|------|---------|---------|
| 目标 | 离散标签 | 连续信号 |
| 标签不变性 | 宽松 | 严格 |
| 安全操作 | jittering、scaling、warping | 需联合变换 |
| 失败模式 | 过拟合 | input-target 错位 |

分类增强中安全的变换（jittering、window warping）在预测中会破坏 look-back 窗口与预测 horizon 之间的连续性。

## 必要条件：数据-标签一致性

增强必须作用于拼接后的完整序列 s = x ∥ y，再切分：
```
s = x ∥ y,  s̃ = 𝒜(s),  (x̃, ỹ) = Split(s̃)
```
只增强输入、保持目标不变 → input-target 关系断裂 → 性能下降最大。详见 [[data-label-consistency]]。

## 方法分类

见 [[forecasting-augmentation-taxonomy|完整分类体系]]：

- **频域**：[[freqmask-freqmix]]、[[dominant-shuffle]]、RobustTAD
- **时频域**：[[wavemask-wavemix]]
- **分解**：[[staug]]
- **Patch**：[[temporal-patch-shuffle]] ⭐（当前 SOTA）

## 关键设计原则

1. **联合变换**：x 和 y 必须一起被增强
2. **受控随机性**：不破坏信号时间结构的随机性
3. **平滑重建**：重叠+平均机制柔化扰动引入的不连续性
4. **保守扰动**：优先扰动结构特征少的区域（如低 variance patch）

## 相关页面

- [[temporal-patch-shuffle]] — 当前最优方法
- [[data-label-consistency]] — 理论基础
- [[non-stationary-time-series]] — 非平稳性挑战