时序数据增强

时序数据增强是通过各种技术手段对时间序列数据进行处理和变换，以生成新的数据样本，从而增加数据集的多样性和规模，提高模型的训练效果和泛化能力。以下是一些常见的时序数据增强方法：

时间域增强

时间平移：将时间序列中的所有数据点沿时间轴向前或向后移动固定数量的时间步长，模拟数据在时间上的滞后或超前效应。

时间缩放：对时间序列进行加速或减速处理，改变数据的时间尺度。

时间镜像：将时间序列反转，即从最后一个时间点开始，逆序排列数据。

窗口裁剪：从原始时间序列中随机裁剪出固定长度的子序列。

幅度域增强

幅度扰动：对时序数据中的数值进行随机的增减，以模拟在不同环境下获取的数据。

添加噪声：向时序数据中添加随机噪声，如高斯噪声，以模拟现实环境中的干扰。

幅度缩放：对时间序列的数值进行缩放，改变数据的幅度范围。

频域增强

频域变换：对时序数据进行傅里叶变换或小波变换等操作，然后在频域上进行相应的变换（如添加噪声、调整振幅等），再进行反变换以引入变化。

频率扰动：在频域上对数据进行扰动，改变频率成分。

基于模型的增强

生成对抗网络：使用GAN生成新的时间序列数据，通过对抗训练生成与真实数据相似的样本。

序列自动编码器：在学习嵌入空间中执行数据增强，通过插值和外推生成新的样本。

其他方法

Mixup：通过对原始数据进行线性插值混合，生成新的混合数据样本。

随机采样：从时间序列中随机采样数据点，生成新的序列。