时间序列预测（Time Series Prediction）常见任务简介

1 时序任务分类

常见的任务：预测、缺失值插补、异常检测、时间序列数据分类、时序数据生成……

四大主要任务：异常点检测、长/短期预测、缺失值填补、时序数据分类

---

2 时间序列生成（TSG）基本原理与应用

任务背景：数据增强、异常检测、隐私保护和域迁移面的需求不断增长

时间序列生成（Time Series Generation，TSG）旨在生成类似于原始的时间序列，保留时间依赖性和维度相关性，同时确保生成的时间序列对于各种下游任务仍然有用。

带条件的时间序列生成：

应用场景：光伏发电量预测、园区用电量预测、股票价格预测、交通流量预测、天气预报……

---

3 常用方法与评价指标

预测任务挑战：周期性（Seasonality）、趋势性（Trend）、概念漂移（Shifting）、平稳性（Stationarity）、转移（Transition）

常用方法：

• MLP线性预测：线性层、RNN、CNN、GNN
• Transformer

一般步骤：

1. 数据处理分析（数据来源、采样步长、分布差异）
   • 数据处理方式：归一化、趋势分解、傅里叶分析
2. 预测方法实现
3. 模型对比评估

（在一些简单数据集上，传统的统计学习方法并不劣于深度学习）：

评价指标：

MAE = \frac1h \sum\limits_{k=1}^h |F_k-Y_k| \\
MSE = \frac1h \sum\limits_{k=1}^h (F_k-Y_k)^2

---

4 时间信息编码示例

示例代码与详解：

傅里叶变换、小波变换：

---

5 季节趋势分解