数据增强方法：提供了多种常见的时序数据增强方法，这些方法通常应用于深度学习中的时间序列数据，
特别是在对时间序列分类或回归任务中，增强训练数据的多样性。

jitter：对数据添加小的随机噪声，通常用于扰动原始数据，防止过拟合。

scaling：通过随机的放大或缩小，改变数据的尺度（比如对时间序列的每个维度进行比例缩放）。

rotation：对数据进行旋转，通常是通过改变数据在不同维度上的排列顺序。

permutation：随机排列时间序列数据中的元素，改变数据的顺序。

magnitude_warp：对数据的幅度进行变换（例如，通过插值改变数据的曲线形状）。

time_warp：对数据的时间轴进行扭曲，改变数据的时间步长。

window_slice：从数据中随机切割一个片段，模拟部分信息丢失的情况。

window_warp：对数据的窗口进行拉伸或压缩，改变局部的时间尺度。

spawner：将数据切割成两部分，进行拼接生成新的数据，通常用于模拟某种数据的组合模式。

wdba：加权动态时间规整（Dynamic Time Warping，DTW）算法的变种，用于对不同数据进行加权平均。

discriminative_guided_warp：基于类别的动态时间规整增强方法，目的是利用相似类别的样本来进行时序数据的增强。

random_guided_warp：对数据进行基于类别的引导性动态时间规整。