波形掩码/混合：探索基于小波的时间序列预测增强

本文调研了时间序列数据增强技术及其在神经网络分类中的应用，提出了四种方法：变换、模式混合、生成模型和分解方法。

研究在128个时间序列分类数据集上使用六种不同类型的神经网络对12种数据增强方法进行了实证评估。

提出的FrAug频率域增强方法能够改善时间序列预测模型的精度，尤其在数据量少和分布变化时有效。

结合谱分解和时间分解的方法在五个真实数据集上表现优于其他基准模型和增强方法。

MixUp++和LatentMixUp++方法通过插值扩充标记数据，显著提高了时间序列分类精度。

研究综合小波分析与机器学习，提出了使用Daubechies小波作为输入特征的非时态和时态预测方法。

WEITS模型通过多层小波分解和正反向残差结构引入频率分析，展现出竞争力的性能和高计算效率。

自适应小波网络（AdaWaveNet）采用自适应小波变换进行多尺度分析，展示了在实际应用中的潜力。

研究强调了数据增强对多变量时间序列模型性能的重要性，尤其在数据稀缺情况下。

WindowMixer模型通过窗口视角分析时间序列，捕捉复杂模式和长期依赖关系，实验证明其优于现有方法。