Synthetic Random Environmental Time Series Generation with Similarity Control, Preserving Original Signal's Statistical Characteristics
相似度可控且保留原信号统计特征的随机环境时间序列生成AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究时间序列合成、傅里叶变换及自相关保持，支持时间序列方法分类，但其应用数据为环境数据而非宏观数据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
相似度可控且保留原信号统计特征的随机环境时间序列生成
- 研究问题
- 如何基于历史信号生成具有足够多样性的合成时间序列，同时控制与原信号的相似程度并保留关键统计特征？
- 方法与思路
- 作者提出基于离散傅里叶变换的生成方法，允许调节原信号与合成信号的相似度，并用多领域、不同时间分辨率的环境数据比较。
- 材料陈述的贡献
- 摘要称解析证明该方法保留输入信号的前两阶统计矩及自相关函数，并与 ARMA、GAN 和 CoSMoS 比较，提供开源 Python 实现。
- 阅读关注点
- 核对相似度参数的定义、统计矩与自相关被保留的精确含义，以及非平稳信号、边界处理和不同生成方法的比较口径。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；保留前两阶矩与自相关并不保证完整分布或非线性依赖也被保留。
原文摘要
Synthetic datasets are widely used in many applications, such as missing data imputation, examining non-stationary scenarios, in simulations, training data-driven models, and analyzing system robustness. Typically, synthetic data are based on historical data obtained from the observed system. The data needs to represent a specific behavior of the system, yet be new and diverse enough so that the system is challenged with a broad range of inputs. This paper presents a method, based on discrete Fourier transform, for generating synthetic time series with similar statistical moments for any given signal. The suggested method makes it possible to control the level of similarity between the given signal and the generated synthetic signals. Proof shows analytically that this method preserves the first two statistical moments of the input signal, and its autocorrelation function. The method is compared to known methods, ARMA, GAN, and CoSMoS. A large variety of environmental datasets with different temporal resolutions, and from different domains are used, testing the generality and flexibility of the method. A Python library implementing this method is made available as open-source software.