基于分解时频增强的少样本时间序列预测

来源：信号处理杂志 2026年第2期北京时间：

作者：何祚捷, 朱明杰, 扆梓轩, 姜求平, 曾丹

摘要：作为一项通过分析历史数据推测未来时序变化的关键技术，时间序列预测在能源管理、交通流量预测、金融市场价格分析及气象变化模拟等科学与工程领域具有不可替代的价值。深度学习技术的引入则显著提升了预测模型的精度，但其对大规模标注数据的高度依赖性，使得在现实场景中（尤其是少样本条件下）的应用仍存在显著局限性。尽管图像与文本领域的少样本学习研究已取得显著进展，但面向时间序列预测的少样本学习方法尚未形成完备的方法体系。时间序列数据因蕴含独特的时域（趋势）与频域（季节性）特征，难以直接迁移其他模态的少样本学习策略。为此，本文提出一种基于时频域数据增强的少样本时间序列预测架构，通过解耦与增强时序数据的趋势及季节成分以增加数据多样性。首先，通过时间序列分解技术将原始数据解耦为趋势分量和季节性分量；其次，设计时域混合（Mix-up）增强策略对趋势分量进行线性插值扰动，并利用主导频率打乱（Dominant-Shuffle）方法对季节分量的频谱施加可控噪声；最后，通过分量重组构建时域、频域及时频域混合增强样本；在四个基准数据集ETTh1、ETTm2、Weather和Electricity上的实验表明，本方法可显著提升多种前沿预测模型的少样本性能。与基于大语言模型（Large Language Model， LLM）的基线方法相比，本方法驱动下的轻量级模型在80%的场景中实现预测精度超越，同时显著降低了计算成本。

关键词：时间序列预测, 少样本学习, 数据增强