利用TimeGAN技术对一维时序数据进行扩增（Python代码）
1.数据集介绍
特征是工作经验年限，标签是薪水，因为数据量太少，利用GAN技术进行扩增
| YearsExperience | Salary |
| 1.1 | 39343 |
| 1.3 | 46205 |
| 1.5 | 37731 |
| 2 | 43525 |
| 2.2 | 39891 |
| 2.9 | 56642 |
| 3 | 60150 |
| 3.2 | 54445 |
| 3.2 | 64445 |
| 3.7 | 57189 |
| 3.9 | 63218 |
| 4 | 55794 |
| 4 | 56957 |
| 4.1 | 57081 |
| 4.5 | 61111 |
| 4.9 | 67938 |
| 5.1 | 66029 |
| 5.3 | 83088 |
| 5.9 | 81363 |
| 6 | 93940 |
| 6.8 | 91738 |
| 7.1 | 98273 |
| 7.9 | 101302 |
| 8.2 | 113812 |
| 8.7 | 109431 |
| 9 | 105582 |
| 9.5 | 116969 |
| 9.6 | 112635 |
| 10.3 | 122391 |
| 10.5 | 121872 |
2.模型整体介绍
时间序列生成对抗性网络
TGAN，时间序列生成对抗性网络于2019年提出，作为一种基于GAN的框架，能够生成各种不同领域的真实时间序列数据，即具有不同观察行为的序列数据。与我们在真实数据和合成数据上实现无监督对抗性损失的其他GAN架构（例如，WGAN）不同，TimeGAN架构引入了监督损失的概念-鼓励模型通过使用原始数据作为监督来捕捉数据中的时间条件分布。此外，我们可以观察到嵌入网络的引入，该网络负责降低对抗性学习空间维度。
3.模型效果
扩增的数据与原始数据对比
扩增数据与原始数据概率分布图
运行环境要求：
numpy version: 1.19.2
pandas version: 1.2.0
scikit-learn version: 0.24.0
tensorflow version: 2.4.0