65 lines
2.7 KiB
Markdown
65 lines
2.7 KiB
Markdown
---
|
||
title: "时序预测增强方法综述：从频域到 TPS"
|
||
author: "Sai Nitesh Palamakula (译：于腾凯)"
|
||
source: "DeepHub IMBA / 数据派THU (微信公众号)"
|
||
date: "2026-05"
|
||
url: "https://mp.weixin.qq.com/s/hPvx3OflUva1olME9F8FoA"
|
||
type: "article"
|
||
---
|
||
|
||
# 时序预测增强方法综述：从频域到 Temporal Patch Shuffle
|
||
|
||
**来源**：DeepHub IMBA / 数据派THU
|
||
|
||
## 核心问题
|
||
|
||
时间序列预测的增强与分类增强有本质区别——预测目标是连续信号，而非离散标签。
|
||
经典分类增强（jittering、scaling、warping）会破坏 look-back 窗口与预测 horizon 之间的连续性，
|
||
导致 input-target 不一致。
|
||
|
||
**核心原则**：增强必须作用于拼接后的完整序列 s = x ∥ y，再切分回输入和目标，以确保数据-标签一致性。
|
||
|
||
## 方法分类体系
|
||
|
||
### 基于频率
|
||
- **RobustTAD**：DFT → 幅度/相位扰动 → IDFT
|
||
- **FreqMask**：FFT → 二值 mask 清零选定频率 → IFFT
|
||
- **FreqMix**：FFT → 两序列频谱混合 → IFFT
|
||
- **WaveMask**：DWT 分解 → 各层选择性 mask 小波系数 → 逆 DWT
|
||
- **WaveMix**：DWT 分解 → 两序列小波系数交叉混合 → 逆 DWT
|
||
- **Dominant Shuffle**：FFT → 选 top-k 主导频率 shuffle → IFFT
|
||
|
||
### 基于分解
|
||
- **STAug**：EMD → IMF → mixup 式重组（内存开销大，大数据集受限）
|
||
|
||
### 其他
|
||
- **wDBA**：DTW 对齐下的时序平均
|
||
- **MBB**：STL 分解 + 残差 bootstrap
|
||
- **Upsample**：线性插值拉伸局部片段
|
||
|
||
### 基于 Patch
|
||
- **TPS (Temporal Patch Shuffle)**：重叠 patch → variance 评分 → 选择性 shuffle → 重叠区域平均重建
|
||
|
||
## TPS 核心流程
|
||
|
||
1. **拼接**：x ∥ y → s（强制数据-标签一致性）
|
||
2. **Temporal Patching**：patch 长度 p、stride s，提取重叠 patch
|
||
3. **Variance 评分**：跨通道计算每个 patch 的 variance
|
||
4. **选择性 Shuffle**：低 variance 的 α 比例 patch 被随机置换
|
||
5. **重建**：重叠区域取平均，平滑 shuffle 引入的不连续性
|
||
6. **拆分**：s̃ → x̃, ỹ
|
||
|
||
## 消融实验关键发现
|
||
|
||
1. **数据-标签一致性**：决定性因素，单一消融中性能下降最大
|
||
2. **重叠 patch**：换成非重叠→明显退化，重叠是保留局部时间结构的闸门
|
||
3. **Variance 排序**：适度红利，α=1.0 时失去意义
|
||
4. **时域优于频域**：FFT 变换后的 patch 操作会退化
|
||
5. **Shuffle 比例**：0.7-1.0 最优
|
||
|
||
## 实验结果
|
||
|
||
- **长期预测**：9 个数据集、5 个骨干（TSMixer、DLinear、PatchTST、TiDE、LightTS），TPS 全部最佳
|
||
- **短期交通预测**：4 个 PeMS 数据集（PatchTST），MSE 提升 2.34%-7.14%
|
||
- **分类扩展**：UCR + UEA 基准，准确率分别提升 0.50% 和 1.10%
|