在使用 `tensorflow.keras` 对一维时间序列进行数据增强时，通常需要结合特定的策略来扩展训练数据集，以提高模型的泛化能力。以下是一些常用的数据增强方法： ### 1. **添加噪声** 向原始时间序列中添加随机噪声是一种简单但有效的增强方式。可以使用高斯噪声或均匀分布噪声。 ```python import numpy as np def add_noise(signal, noise_level=0.01): noise = np.random.normal(0, noise_level, size=signal.shape) return signal + noise ``` 这种方法有助于模型对输入中的小扰动更具鲁棒性 [^4]。 --- ### 2. **时间缩放 (Time Scaling)** 通过调整时间序列的速度（加快或减慢），可以在不改变整体趋势的前提下生成新的样本。 ```python from scipy.interpolate import interp1d def time_scaling(signal, scale_factor): original_length = len(signal) scaled_length = int(original_length * scale_factor) f = interp1d(np.linspace(0, 1, original_length), signal, kind='linear', axis=0) return f(np.linspace(0, 1, scaled_length)) ``` 该技术适用于时间序列具有不同节奏但核心特征不变的场景 [^4]。 --- ### 3. **滑动窗口变换 (Window Shifting)** 通过对原始信号进行滑动窗口切片，可以从一个长序列中生成多个子序列。 ```python def sliding_window(signal, window_size, step=1): windows = [] for i in range(0, len(signal) - window_size + 1, step): windows.append(signal[i:i+window_size]) return np.array(windows) ``` 这种方式可以显著增加训练样本数量，并且能帮助模型更好地捕捉局部模式 [^4]。 --- ### 4. **幅度缩放 (Amplitude Scaling)** 通过乘以一个随机系数来放大或缩小信号的幅度，从而模拟不同的测量误差或环境变化。 ```python def amplitude_scaling(signal, scale_range=(0.9, 1.1)): scale = np.random.uniform(*scale_range) return signal * scale ``` 这有助于模型学习到更稳定的特征表示 [^4]。 --- ### 5. **随机裁剪与填充 (Random Cropping & Padding)** 从时间序列中随机截取一段子序列并进行填充，以生成多样化的训练样本。 ```python def random_crop(signal, crop_length): start_idx = np.random.randint(0, len(signal) - crop_length) cropped = signal[start_idx:start_idx+crop_length] # 填充回原长度（可选） padded = np.pad(cropped, ((0, len(signal)-len(cropped))), mode='constant') return padded ``` 此方法增强了模型对部分缺失数据的容忍度 。 --- ### 6. **频域变换 (Frequency Domain Augmentation)** 将时间序列转换到频域后进行滤波、删除某些频率成分等操作，再转换回时域。 ```python def freq_domain_augmentation(signal, cutoff_freq_ratio=0.8): fft = np.fft.fft(signal) magnitude = np.abs(fft) phase = np.angle(fft) # 随机衰减高频分量 freq_mask = np.random.binomial(1, cutoff_freq_ratio, size=magnitude.shape) magnitude *= freq_mask augmented_fft = magnitude * np.exp(1j * phase) return np.real(np.fft.ifft(augmented_fft)) ``` 这种增强方式特别适合于周期性强的时间序列 [^4]。 --- ### 7. **使用 Keras 自定义预处理层** 如果希望将上述增强操作集成进 `tf.data.Dataset` 流水线中，可以通过创建自定义 `tf.keras.layers.Layer` 来实现。 ```python import tensorflow as tf class RandomNoise(tf.keras.layers.Layer): def __init__(self, noise_level=0.01, **kwargs): super().__init__(**kwargs) self.noise_level = noise_level def call(self, inputs, training=None): if not training: return inputs noise = tf.random.normal(shape=tf.shape(inputs), mean=0., stddev=self.noise_level) return inputs + noise ``` 然后将其加入模型前处理流程： ```python model = tf.keras.Sequential([ tf.keras.Input(shape=(timesteps, features)), RandomNoise(noise_level=0.01), # 后续LSTM或其他层... ]) ``` 这样可以在训练过程中动态应用增强，提升模型表现 [^3]。 --- ### 8. **使用专门库：`ts-aug` 或 `augmenty`** 除了手动实现外，还可以考虑使用专门用于时间序列增强的 Python 库，如 [`ts-aug`](https://github.com/uchida-takumi/ts_augmentation) 或 [`augmenty`](https://github.com/KennethEnevoldsen/augmenty)，它们提供了丰富的增强函数和工具。 --- ### 总结 以上方法可以根据具体任务需求灵活组合使用，以构建多样化的时间序列训练集。建议结合交叉验证评估每种增强策略的效果，并选择最优组合。此外，在实际部署中应谨慎控制增强强度，避免引入过多噪声导致模型过拟合。 ---