近年，与えられた系列からその将来の系列を予測する時系列予測において，深層学習モデルの高い予測性能が報告されている．深層学習モデルの学習には大量のデータが必要であるが，データの収集に時間を要するため，十分な訓練データを用意することが難しい．そこで本研究では，関数などを用いて作成した多様な合成波形を用いてデータ拡張を行うことで，データの不足を補う．実験では，モデルとして時系列のダイナミクスをラプラス領域でモデル化するNeural Laplaceを使用し，時系列予測の標準ベンチマークであるElectricity Transformer Temperature（ETT）m2データセットに対して，提案する合成波形を用いたデータ拡張の効果を評価した．その結果，合成波形を用いたデータ拡張がETTm2データセットの時系列予測に対して有効であることが分かった．
