Python 为深度学习扩充时间序列数据

如果我想对我目前拥有的传感器数据集进行深入学习，我需要大量数据，否则我们可能会发现拟合过度。不幸的是，传感器只激活了一个月，因此需要增加数据。我目前拥有数据框形式的数据，如下所示：

index   timestamp              cas_pre        fl_rat         ...
0       2017-04-06 11:25:00    687.982849     1627.040283    ...
1       2017-04-06 11:30:00    693.427673     1506.217285    ...
2       2017-04-06 11:35:00    692.686310     1537.114807    ...
....
101003  2017-04-06 11:35:00    692.686310     1537.114807    ...

现在我想用。增加的形式可以是：

my_aug = (    
    RandomMagnify(max_zoom=1.2, min_zoom=0.8) * 2
    + RandomTimeWarp() * 2
    + RandomJitter(strength=0.1) @ 0.5
    + RandomTrend(min_anchor=-0.5, max_anchor=0.5) @ 0.5
)

扩充库的文档按照以下方式继续使用扩充：

X_aug, Y_aug = my_aug.run(X, Y)

Upong在现场进行了进一步的调查，似乎增广会影响numpy阵列。虽然它说这是一个多变量的增强，但并不确定它是如何有效地发生的

我希望在浮动数值列（如

cas\u pre

和

fl\u rat

）上应用这种一致的增强，以避免与原始数据和每个列之间的关系偏离太多。我不想应用诸如

timestamp

之类的行。我不知道如何在熊猫体内做到这一点。

这是我的尝试：

#Convert Pandas dataframe to Numpy array and apply tsaug transformations

import numpy as np
import pandas as pd
from tsaug import TimeWarp, Crop, Quantize, Drift, Reverse

df = pd.DataFrame({"timestamp": [1, 2],"cas_pre": [687.982849, 693.427673], "fl_rat": [1627.040283, 1506.217285]})

my_aug = (    
    Drift(max_drift=(0.1, 0.5))
)

aug = my_aug.augment(df[["timestamp","cas_pre","fl_rat"]].to_numpy())

print("Input:")
print(df[["timestamp","cas_pre","fl_rat"]].to_numpy()) #debug
print("Output:")
print(aug)

控制台输出：

Input:
[[1.00000000e+00 6.87982849e+02 1.62704028e+03]
 [2.00000000e+00 6.93427673e+02 1.50621728e+03]]
Output:
[[1.00000000e+00 9.13389853e+02 2.03588979e+03]
 [2.00000000e+00 1.01536282e+03 1.43177109e+03]]

您可能需要将时间戳转换为数字

---

您使用的tsaug函数似乎不存在，因此我仅以drift（）为例。经过一些实验后，默认情况下，TimeWarp（）不会影响时间戳（第1列），但TimeWarp（）*5通过将每个时间戳克隆5次来插入新样本。

您是否能够共享示例数据集（所有列，但只有几行）？我对时间序列扩充的速度不是特别快，但我假设它会创建新的假样本-因此需要与这些样本关联的新时间戳？那么它实际上是通过列来扩充数据吗？是的，在我的示例中，输出列1是时间戳，列2是cas_pre，列3是f1_rat。仅修改第2列和第3列。不相关，但经过一些实验，TimeWarp（）的函数与我最初的想法略有不同。将更新答案。是的，我最终使用了你使用的一些东西，并取得了一些成功，请同时更新你的答案。