基于Attention机制改进TimeGAN的小样本时间序列预测方法

利用深度学习进行时间序列预测时所表现出的优越性能在很大程度上得益于数量庞大的训练样本。然而，实际过程中普遍存在数据难以收集而无法准确建模的问题。为了解决时间序列预测中的小样本问题，本文提出了一种基于注意力机制并融合时间卷积网络与长短期记忆网络的数据增强网络(ATCLSTM-TimeGAN)，通过在时间序列过程生成对抗网络(TimeGAN)中加入Soft-Attention机制来解决其动态信息丢失的问题。针对生成器的输入一般为随机向量，采用时间卷积结构与Self-Attention机制融合，获得更好的数据生成效果。为了验证生成数据的真实性与有用性，比较了不同的数据增强方法所生成数据的分布差异以及合成数据用于预测时的预测效果。实验结果表明，相比于其他方法，ATCLSTM-TimeGAN能够更好地覆盖原始数据的分布，有效地降低了小样本下的预测误差。