本研究では，深層学習による時系列予測に必要な訓練データ不足の問題を回避するために，生成モデルで生成した大規模合成データを用いてデータ拡張する．しかし，既存の時系列生成モデルは現実世界で扱われる長期時系列の生成に適していない．そこで，長期時系列に適した生成モデルとしてiTransGANを提案し，iTransGANで生成した大量の合成時系列データを用いて長期時系列予測に対するデータ拡張の効果を調査する．実験では，Electricity Transformer Temperatureデータセットを用いて，iTransGANで生成した合成データの品質と，合成データを用いたデータ拡張の効果を評価した．結果から，iTransGANは既存手法よりも高品質な長期時系列データを生成できることを確認し，合成データを用いた事前学習はスクラッチで学習した場合と比べて，予測誤差を低減できる可能性があることを確認した．また，実データが少なくて大規模なモデルの学習がうまくいかない場合でも，合成データを利用した事前学習によって，大規模なモデルの学習が改善することを確認した．
