Neues Verfahren IBMA verbessert Zeitreihen‑Vorhersagen durch Imputation und Mixup

In der Zeitreihen‑Vorhersage ist die Datenaugmentation ein entscheidender Faktor, um Modelle robuster zu machen und die Genauigkeit zu steigern. Durch das Einführen von Variabilität, während die zugrunde liegenden zeitlichen Muster erhalten bleiben, können Modelle besser generalisieren.

Im Vergleich zu Bild- oder Textdaten gibt es bei Zeitreihen nur wenige etablierte Augmentationstechniken. Fortgeschrittene Methoden wie Mixup werden selten eingesetzt, weil sie komplexe zeitliche Abhängigkeiten berücksichtigen müssen.

Das neue Verfahren Imputation‑Based Mixup Augmentation (IBMA) kombiniert imputationbasierte Datenaufbereitung mit Mixup‑Augmentation und nutzt selbstüberwachtes Lernen, um die Qualität der synthetischen Samples zu erhöhen. Dadurch entsteht ein stärkeres Signal für die Modelle, ohne die ursprüngliche Struktur der Zeitreihen zu zerstören.

IBMA wurde an drei modernen Vorhersagemodellen – DLinear (MLP), TimesNet (CNN) und iTrainformer (Transformer) – getestet. Die Experimente wurden auf vier realen Datensätzen (ETTh1, ETTh2, ETTm1, ETTm2) durchgeführt und mit acht anderen Augmentationstechniken verglichen. Das Ergebnis: IBMA erzielte in 22 von 24 Fällen eine Leistungsverbesserung, davon 10 die beste Performance, insbesondere bei der Kombination mit iTrainformer‑Imputation.

Diese Ergebnisse zeigen, dass IBMA eine vielversprechende Ergänzung für die Zeitreihen‑Vorhersage darstellt und die Grenzen der Datenaugmentation in diesem Bereich deutlich verschiebt.