DiffAT: Effective data augmentation with diffusion models for time series forecasting

Yang Yu

doi:10.1016/j.engappai.2025.112091

DiffAT: Effective data augmentation with diffusion models for time series forecasting

2025-08-26

0

PRE

AI

DOI：10.1016/j.engappai.2025.112091

原文链接

原文求助

摘要

En 中文

数据增强为基于深度学习的时间序列预测中的数据稀缺问题提供了一种有前景的解决方案。然而，当前方法面临双重局限性：（1）手工设计的方法（如裁剪/掩码）：通过引入突兀的模式不连续性，往往会破坏关键时间模式（如季节性和趋势）的连续性；（2）生成模型在保留对预测至关重要的任务关键特征方面常常遇到困难，尤其是在旨在生成多样化增强序列时。为解决这些困境，我们提出了一种新颖的条件扩散为基础的数据增强框架，命名为DiffAT，用于时间序列预测任务。DiffAT融合了：（1）分块掩码重建以捕捉结构性不变量（如自相关性和因果性），以及（2）编码手工设计的增强原型以指导多样性保持生成。DiffAT实现了双重增强：通过渐进去噪过程保持时间模式的连续性，并通过引导多样性注入揭示潜在不变模式。我们通过在七个真实数据集上进行大量实验，将DiffAT与六种最先进的时间序列数据增强方法进行比较，验证了DiffAT的有效性。结果表明，我们的方法在7个真实基准测试中的26/28个案例中，可将Autoformer的预测性能提升高达6.49%，并在23/28个案例中将LightTS的预测性能提升高达3.11%。大量实验还表明，DiffAT在少样本场景（1%训练数据）中的54/60个案例中可以提高预测模型的准确性。论文发表后我们将发布源代码。

Keyword:

time series forecasting

data augmentation

diffusion models

temporal pattern preservation

few-shot learning

DiffAT: Effective data augmentation with diffusion models for time series forecasting

摘要

期刊

机构

引用论文