myWiki/concepts/time-series-forecasting-augmentation.md

title, created, type, tags, sources

title	created	type	tags	sources
Time Series Forecasting Augmentation	2026-05-26	concept	time-series data-augmentation forecasting deep-learning	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：

• 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