myWiki/articles/temporal-patch-shuffle-tps.md

title, author, source, date, type, tags

title	author	source	date	type	tags
时序预测增强方法综述：从频域到 TPS	Sai Nitesh Palamakula	DeepHub IMBA / 数据派THU	2026-05	article	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，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：

路线	代表方法	核心思想
频域	freqmask-freqmix	FFT 域 mask/mix
时频域	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	EMD → IMF → mixup
Patch	temporal-patch-shuffle ⭐	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