时间片段洗牌（TPS）：利用片段级洗牌提升时间序列预测的泛化能力和鲁棒性
Sliding-Window Reordering with Overlap Averaging: A Simple Time-Domain Augmentation for Multivariate Forecasting
AI总结：
本文提出TPS，一种简单且模型无关的数据增强方法，通过提取重叠时间片段并基于方差排序选择性洗牌，提升时间序列预测的泛化能力和鲁棒性。
摘要：
数据增强是提高模型泛化能力和鲁棒性的关键技术，尤其在深度学习模型中，当训练数据有限时尤为重要。尽管已开发出许多时间序列分类的增强方法，但大多数不直接适用于时间序列预测，因为需要保持时间一致性。在本文中，我们提出了时间片段洗牌（TPS），一种简单的数据增强方法，用于预测，该方法提取重叠的时间片段，使用基于方差的排序选择性洗牌一部分片段，并通过平均重叠区域重建序列。这种设计在增加样本多样性的同时保持了预测一致的局部时间结构。我们广泛评估了TPS在九个长期预测数据集上，使用五个最近的模型家族（TSMixer、DLinear、PatchTST、TiDE和LightTS），并在四个短期预测数据集上使用PatchTST，观察到一致的性能提升。全面的消融研究进一步证明了所提方法的有效性、鲁棒性和设计合理性。
英文摘要：
Augmentation has become a central technique for improving deep forecasting models, but classification-style transformations tend to break the coherence between the look-back window and its continuous future target. We describe a simple procedure that unfolds the joint input-target sequence into overlapping sliding windows, randomly reorders a controlled fraction of them-prioritized by a lightweight variance criterion-and reconstructs the sequence by averaging across the overlaps, producing synthetic samples with controlled variation while limiting temporal distortion. The procedure is model-agnostic, introduces only three interpretable hyperparameters, and achieves strong improvements over a comprehensive set of competing augmentations across nine long-term forecasting benchmarks with five backbone families (TSMixer, DLinear, PatchTST, TiDE, LightTS) and four short-term traffic benchmarks with PatchTST. Component-wise ablations, hyperparameter sensitivity studies, distributional-alignment diagnostics, probabilistic forecasting evaluation, and a transfer experiment to univariate and multivariate time series classification clarify the contribution of each design choice.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
