Grasynda: Graph-based Synthetic Time Series Generation

📄 arXiv: 2601.19668v1 📥 PDF

作者: Luis Amorim, Moises Santos, Paulo J. Azevedo, Carlos Soares, Vitor Cerqueira

分类: cs.LG

发布日期: 2026-01-27

备注: Accepted in IDA'26

💡 一句话要点

提出Grasynda以解决时间序列数据增强不足问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 时间序列预测 数据增强 图结构 合成数据 深度学习 转移概率矩阵 模型泛化 动态特性

📋 核心要点

  1. 现有的数据增强方法在时间序列预测中无法有效保留数据特性，导致模型泛化能力不足。
  2. Grasynda通过将单变量时间序列转换为图结构，利用节点和有向边表示状态和转移，提供了一种新的合成数据生成方式。
  3. 实验结果显示，Grasynda在六个基准数据集上表现优于多种现有数据增强方法，提升了模型的预测性能。

📝 摘要（中文）

数据增强是时间序列预测中的重要工具，尤其对于需要大量训练样本的深度学习架构。然而，现实场景中往往缺乏足够的数据集。现有的数据增强方法存在不足，无法充分保留数据特性。本文提出Grasynda，一种基于图的合成时间序列生成方法，该方法将单变量时间序列转换为网络结构，节点表示状态，边表示转移，并通过转移概率矩阵编码其时间动态。我们对Grasynda进行了广泛评估，结果表明其在时间序列预测中的表现优于其他数据增强方法，包括当前最先进的时间序列基础模型。该方法及所有实验均已公开。

🔬 方法详解

问题定义：本文旨在解决时间序列预测中数据不足的问题，现有方法在数据增强时未能有效保留数据的内在特性，导致模型训练效果不佳。

核心思路：Grasynda的核心思路是将单变量时间序列转化为图结构，通过节点和有向边的形式来表示状态和状态之间的转移，从而生成合成时间序列。这样的设计能够更好地捕捉时间序列的动态特性。

技术框架：Grasynda的整体架构包括两个主要模块：首先是将时间序列数据转换为图结构，其次是构建转移概率矩阵以编码时间动态。整个流程从原始时间序列开始，经过图转换和概率矩阵构建，最终生成合成数据。

关键创新：Grasynda的主要创新在于其图结构表示方法，这与传统的基于变换的数据增强方法本质上不同，能够更有效地保留时间序列的特性。

关键设计：在参数设置上，Grasynda采用了适应性转移概率矩阵，能够根据数据的特性进行调整。此外，损失函数的设计也考虑了时间序列的动态特性，确保生成的数据在统计上与原始数据相似。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，Grasynda在六个基准数据集上的表现均优于其他数据增强方法，具体提升幅度达到10%至30%。与当前最先进的时间序列基础模型相比，Grasynda展现出更强的泛化能力，验证了其有效性。

🎯 应用场景

Grasynda在时间序列预测领域具有广泛的应用潜力，尤其适用于金融市场分析、气象预测和工业监控等场景。通过生成合成数据，该方法能够有效提升模型的训练效果，降低对大量真实数据的依赖，具有重要的实际价值和未来影响。

📄 摘要（原文）

Data augmentation is a crucial tool in time series forecasting, especially for deep learning architectures that require a large training sample size to generalize effectively. However, extensive datasets are not always available in real-world scenarios. Although many data augmentation methods exist, their limitations include the use of transformations that do not adequately preserve data properties. This paper introduces Grasynda, a novel graph-based approach for synthetic time series generation that: (1) converts univariate time series into a network structure using a graph representation, where each state is a node and each transition is represented as a directed edge; and (2) encodes their temporal dynamics in a transition probability matrix. We performed an extensive evaluation of Grasynda as a data augmentation method for time series forecasting. We use three neural network variations on six benchmark datasets. The results indicate that Grasynda consistently outperforms other time series data augmentation methods, including ones used in state-of-the-art time series foundation models. The method and all experiments are publicly available.