利用TimeGAN技术对一维时序数据进行扩增（Python代码）

2501_93145701

314人浏览 · 2026-02-22 17:18:22

2501_93145701 · 2026-02-22 17:18:22 发布

1.数据集介绍

特征是工作经验年限，标签是薪水，因为数据量太少，利用GAN技术进行扩增

YearsExperience	Salary
1.1	39343
1.3	46205
1.5	37731
2	43525
2.2	39891
2.9	56642
3	60150
3.2	54445
3.2	64445
3.7	57189
3.9	63218
4	55794
4	56957
4.1	57081
4.5	61111
4.9	67938
5.1	66029
5.3	83088
5.9	81363
6	93940
6.8	91738
7.1	98273
7.9	101302
8.2	113812
8.7	109431
9	105582
9.5	116969
9.6	112635
10.3	122391
10.5	121872

2.模型整体介绍

时间序列生成对抗性网络

TGAN，时间序列生成对抗性网络于2019年提出，作为一种基于GAN的框架，能够生成各种不同领域的真实时间序列数据，即具有不同观察行为的序列数据。与我们在真实数据和合成数据上实现无监督对抗性损失的其他GAN架构（例如，WGAN）不同，TimeGAN架构引入了监督损失的概念-鼓励模型通过使用原始数据作为监督来捕捉数据中的时间条件分布。此外，我们可以观察到嵌入网络的引入，该网络负责降低对抗性学习空间维度。