Time Series Feature

时间戳衍生

• 时间特征：年月日、节假日、星期几、上午中午下午凌晨
• 布尔特征：是否周末
• 时间差特征
• time encoding
  • 周期特征循环编码
    • 好处：相邻两天的 encoding 结果相似
    • [[sklearn]] functiontransformer
    • [[sklearn]] functiontransformer

def sin_transformer(period):
    return FunctionTransformer(lambda x: np.sin(x / period * 2 * np.pi))
def cos_transformer(period):
    return FunctionTransformer(lambda x: np.cos(x / period * 2 * np.pi))

时序值衍生

• 寻找时间序列的趋势因素，季节性周期性因素
• 滞后值 [[lag feature]]
  • 取过去 X 个时间步作为 feature
    • lag 之间的同比环比n阶差分
  • 昨天、上周同一天等数据高度相关
• 滑动窗口统计 Rolling Window Statistics
  • 先前时间观察值的统计信息做为特征
  • 前 7 天数据的平均数、中位数、标准差、最大值、最小值
  • 过去数据被聚合成标量，也可以做比例、差值之类的运算
  • ((419b9c6c-3716-49ad-ba0e-5f5e247dbed5)) 的滑动窗口为 1
• 扩展窗口统计 Expanding Window Statistics
  • 统计整个序列的全部数据

序列属性衍生

• 连续变量衍生
  • 其他连续变量特征
  • 股票收盘佳之外还成交量、开盘价等
• 类别变量 Encoding
  • 类别少时可以用 one-hot encoding
  • 类别如果与顺序无关，放到树模型中会被当成是连续型处理
  • 与 y 做特征交互
    • 预测销量时，统计某个产品类别下的销量均值、标准差等
    • [[目标编码]]

Ref

• 时间序列数据的特征工程总结 - 知乎
• 时序数据中的特征工程（待续） - 知乎 (zhihu.com)
  • tsfresh 自动提取各种时间特征

网络回响