波形掩码/混合：探索基于小波的时间序列预测增强
内容提要
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，提出多种方法并进行了实证评估。研究表明，数据增强显著提高模型准确度，尤其在数据稀缺情况下。通过小波分析和新颖网络结构，探索了多变量时间序列模型的性能，强调多样化增强策略的重要性。
延伸解读
数据增强策略的多样性价值
文章在128个时间序列分类数据集上评估了12种数据增强方法，涵盖变换、模式混合、生成模型和分解四类。结果表明，没有一种方法在所有场景下都最优，多样化增强策略能更充分挖掘传统和深度学习模型的潜力。尤其在数据稀缺时，合理组合不同增强技术可显著提升模型准确度，这为实际应用中选择增强方法提供了实证依据。
小波分析在时序预测中的角色
文章综述了多项利用小波分析改进时间序列预测的研究。例如，使用Daubechies小波作为输入特征，在非时态方法中替换高阶滞后特征能带来显著收益；WEITS和AdaWaveNet通过多层小波分解和自适应变换，在预测、填充等任务上表现优越。这些工作表明，小波变换能有效捕捉多尺度特征，提升模型对非平稳数据的处理能力。
频域增强与混合方法的实效
FrAug通过频率域增强提升预测精度，在数据量少和分布变化时尤其有效；MixUp++和LatentMixUp++则通过插值扩充标记数据，在公开数据集上提高分类精度1%至15%。这些方法从不同角度缓解数据稀缺问题，且计算效率较高，为实际部署提供了可行方案。但文章也指出，其效果依赖于具体数据集和任务，需谨慎选择。
模型架构创新的趋势
文章提及多个结合小波与深度学习的模型，如TwinS采用Transformer架构并引入Wavelet Convolution和Period-Aware Attention，在多元预测中达到SOTA；WindowMixer基于全MLP框架，通过窗口视角分解趋势和季节性，在长短期预测中优于现有方法。这些创新显示，频率分析与注意力机制、MLP等结构的融合是提升时序预测性能的重要方向。
Q&A
时间序列数据增强技术有哪些方法？
主要有变换、模式混合、生成模型和分解方法四种。
FrAug方法在时间序列预测中有什么优势？
FrAug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。
MixUp++和LatentMixUp++方法如何提高分类精度？
这两种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，提升幅度在1%到15%之间。
自适应小波网络（AdaWaveNet）有什么特点？
AdaWaveNet采用自适应小波变换进行多尺度分析，提供增强的灵活性和鲁棒性，表现出优越的效果。
WindowMixer模型是如何处理时间序列的？
WindowMixer模型通过窗口视角分析时间序列，将其分解为趋势和季节性组件，捕捉复杂模式和长期依赖关系。
数据增强对多变量时间序列模型的影响是什么？
数据增强显著提高了多变量时间序列模型的性能，尤其在数据稀缺情况下。
