企业官网建设流程全解析

Time-Series-Library 时间序列数据增广实战：16 种方法与三步启用

【免费下载链接】Time-Series-LibraryA Library for Advanced Deep Time Series Models for General Time Series Analysis.项目地址: https://gitcode.com/GitHub_Trending/ti/Time-Series-Library

Time-Series-Library 的 utils/augmentation.py 内置 16 种时间序列数据增广方法，按机制分为加噪扰动、几何扭曲、DTW 智能引导三类。样本少、采集贵、标注难时，打开开关即可成倍扩充训练集，无需重新采数。

🧩 一、方法全景：16 种增广方法按机制三分类

所有方法输入输出形状均为 (batch_size, sequence_length, num_channels)，结果可直接拼回训练集。

增广作用在这类一维多通道序列上；TimesNet 等模型再将其转二维做卷积，多样性直接传到下游。

加噪扰动类：数值层面的随机微扰

原理：在原始数值上叠加噪声或做重排，改动小、开销几乎为零，是最便宜的扩充手段。

• jitter（抖动）：叠加 sigma=0.03 高斯噪声模拟测量误差，让模型忽略细微波动。
• scaling（缩放）：各通道乘以以 1 为中心（sigma=0.1）的随机系数，形状不变幅度变化，适合量级漂移数据。
• rotation（旋转）：随机翻转并打乱通道顺序，适合通道次序无关的多通道分类。
• permutation（排列）：把序列切成等长片段打乱（--randompermutation 为随机长度分段），保留局部模式、打散全局顺序。

几何扭曲类：时间轴与幅值轴上的连续形变

原理：用三次样条对时间轴或幅值轴做非线性拉伸压缩，波形整体变形但语义保持，是主力扩充手段。

时序常由多个周期叠加而成，几何扭曲正是在这些结构上做形变。

• magnitude_warp（幅值扭曲）：随机样条曲线乘入幅值，产生非均匀起伏，适合幅度漂移的数据。
• time_warp（时间扭曲）：沿时间方向重采样，模拟同一模式发生得更快或更慢，适合形状同、节拍不同的数据。
• window_slice（窗口切片）：截取约 90% 长度窗口再插值回原长，放大局部细节。
• window_warp（窗口扭曲）：对约 10% 长度小窗口做 0.5×或 2× 缩放后拼回，制造局部突起或凹陷。

DTW 智能引导类：借 DTW 对齐路径做有依据的变形

原理：DTW（动态时间规整）让时间轴弹性对齐来度量序列相似；先求与其他样本的对齐路径再沿路径变形，改动有参照而非纯随机，主要服务分类任务（需标签）。

• spawner：配随机同类样本，沿对齐路径取平均并插值回原长，生成中间形态，适合稀疏类别。
• random_guided_warp（随机引导扭曲）：沿随机同类样本的 DTW 路径扭曲当前样本（--shapedtwwarp 为 ShapeDTW 版本）。
• discriminative_guided_warp（判别式引导扭曲）：同抽正例反例原型，朝"离正例近、离反例远"方向变形以拉大类间差异（--discsdtw 为 ShapeDTW 版本）。
• wdba（加权 DBA 平均）：先在类内找质心，再按 DTW 路径加权融合其余样本，产出更干净原型，适合类内噪声大的数据。

回头看动机：时序采集贵、标注难，样本常常有限，模型容易学不到稳定周期结构。这 16 种方法即用已有样本推导合理变体，把训练集撑大、分布撑满。

🚀 二、三步启用增广：从装环境到接入训练

第一步 装好环境

git clone https://gitcode.com/GitHub_Trending/ti/Time-Series-Library cd Time-Series-Library && pip install -r requirements.txt

模块仅依赖 numpy、scipy、tqdm，装完即可用。

第二步 配置增广参数

run.py 把方法整理成命令行开关：--jitter、--scaling、--timewarp、--magwarp、--spawner、--dtwwarp、--discdtw、--wdba 等，配合 --augmentation_ratio（增广轮数）、--seed、--extra_tag（结果标记）使用。命令后追加 --jitter --timewarp --augmentation_ratio 2，即两方法各跑 2 轮。

第三步 调用 run_augmentation 并入训练

from utils.augmentation import run_augmentation args.jitter, args.timewarp, args.augmentation_ratio = True, True, 2 x_aug, y_aug, tags = run_augmentation(x, y, args) # (batch, seq_len, channels)

x 需为 (batch_size, sequence_length, num_channels)；函数按开关依次变换、跑满 augmentation_ratio 轮后拼回原始数据，样本量约为原始 (ratio+1) 倍。官方流程已内置：data_provider/data_loader.py 取数时直接调用 run_augmentation_single，打开开关即自动生效；2D 整条序列也会自动补 batch 维再压回。

📈 三、效果验证：预测曲线对比与多任务基准

官方教程对比中，蓝线是真实值、橙线是模型预测；启用增广后曲线更贴真实轨迹，稀疏区域的拐点与振幅偏差明显收窄。

库内覆盖长短期预测、填补、分类、异常检测，常见基准含 ETT、ECL、Weather、Traffic、M4 等。经验上收益与数据量负相关：训练窗口短、数据量小（如 ILI）时提升最明显，大数据集上更多起防过拟合作用。建议先在小样本设置验证，再决定是否全量开启。

⚠ 四、选型建议与避坑清单

1. 方法组合从少到多：先开 1~2 种（如 jitter + timewarp），确认有效再叠加；全部同开会让增广样本离原始分布过远，反而伤指标。
2. 增广倍率控制在 2~5：--augmentation_ratio 取 2~5，最终样本量约为原始 3~6 倍；数据量大时 1~2 即可。
3. 任务与方法匹配：分类优先 DTW 智能引导类（需标签），预测、填补优先几何扭曲类加 jitter/scaling。
4. DTW 类计算更重：成对计算对齐路径，保留默认 window 约束（序列长的 1/10），大 batch 先小数据试跑。
5. 固定 --seed、用好 --extra_tag：同开关组合才可复现；用 tag 标注方法组合，避免结果文件混淆。
6. rotation/permutation 慎用：重排翻转通道，通道语义固定的预测任务不建议开。

16 种方法、三类机制，加一个 --augmentation_ratio，就是全部家当；小样本先上几何扭曲，分类再叠 DTW 引导，往往有可见收益。后续引入生成式增广，这套开关式接口也能平滑扩展。

【免费下载链接】Time-Series-LibraryA Library for Advanced Deep Time Series Models for General Time Series Analysis.项目地址: https://gitcode.com/GitHub_Trending/ti/Time-Series-Library