基于变换的方法

WS（window slicing窗口切片）

对原始时间序列按一定长度切片，并在切片层次上进行训练及预测。
训练时，使用切片的小序列进行训练，切片的大小是一个参数。测试时，使用小序列进行测试，然后使用多数投票法确定最终的预测标签。

WW（window wraping窗口规整）

在原始时间序列上随机选择一定长度切片，然后对切片进行加速或减速（沿时间轴伸缩），最后使用WS以保证所有得到的时间序列都有相同的长度。

no aug,jittering,scaling,rotation, permutation,magwarp,timewarp,cropping

基于平均的方法

对数据集中的全部或部分时间序列按多组不同的权重进行加权平均以合成新的时间序列数据。为了更好地维护时间序列的结构特征，该类方法采用在动态时间规整 (DTW) 距离度量下的加权平均以合成新的时间序列数据。

使用加权动态时间弯曲重心平均的合成数据增强来提高基于1-NN DTW的多变量时间序列分类器的性能。
https://github.com/npschafer/MTS-DA

DBA（ DTW Barycentric Averaging）

基于加权形式的DTW中心平均技术，通过改变权重，可以从给定的一组时间序列创建无穷多个新的时间序列。作者在3种加权方法中采用了一种叫做平均选择法的加权方法
从训练集中随机选取一个初始时间序列，赋予它0.5的权重，这个随机选择的时间序列将作为DBA的初始化时间序列
根据DTW距离，找到DBA初始化时间序列的最近的5个时间序列
从5个最近邻中随机选择两个，分被赋予0.15的权重
为使总的权重为1，此时剩余权重为1-0.5-0.15*2=0.2，将剩下的序列平均分配这0.2的权重
最后使用两个集成的ResNet网络（有数据增强和无数据增强），计算两个分类器输出每个类的后验概率求平均值，为每个时间序列分配平均概率最大的标签

参考：《Data augmentation using synthetic data for time series classification with deep residual networks》

利用合成数据进行时间序列分类的数据扩充方法

csdn
github

Data augmentation using synthetic data for time series classification with deep residual networks
https://github.com/chenfei0328/Data-augmentation-for-TSC

各种改进的GAN网络

GAN 、DCGAN 、WGAN

DCGAN
https://cloud.tencent.com/developer/article/1540981

WGAN博文：https://blog.csdn.net/supercloud/article/details/54908962
http://www.360doc.com/content/17/1208/14/50223086_711263256.shtml
各种散度的博文：https://www.zhihu.com/question/39872326/answer/83688277