Abstract
データ拡張は、特に学習データが限られている深層学習モデルにおいて、モデルの汎化性能と頑健性を向上させるための重要な手法です。時系列分類向けに多くの拡張手法が開発されてきた一方で、時間的な整合性を保持する必要があるため、ほとんどは時系列予測には直接適用できません。本研究では、Temporal Patch Shuffle（TPS）という、予測のためのシンプルでモデル非依存なデータ拡張手法を提案します。TPSは、重なり合う時間的パッチを抽出し、保守的なヒューリスティックとして分散に基づく順序付けを用いてパッチの一部を選択的にシャッフルし、重なり合う領域を平均化することで系列を再構成します。この設計により、予測と整合する局所的な時間構造を保持しつつ、サンプル多様性を高めます。本手法を、5つの最近のモデルファミリー（TSMixer、DLinear、PatchTST、TiDE、LightTS）を用いて、9つの長期時系列予測データセット全体で大規模に評価し、さらにPatchTSTを用いて4つの短期時系列予測データセットでも評価したところ、いずれも一貫した性能向上が観察されました。包括的なアブレーション研究により、提案手法の有効性、頑健性、設計上の根拠もさらに明らかにしています。
