时间序列数据建模中的特征工程技巧

时间序列数据建模中的特征工程技巧

时间序列数据建模是大模型训练中的重要环节，特征工程在其中起到关键作用。本文分享几个实用的特征工程技巧。

1. 时间特征提取

从时间戳中提取有用的统计特征：

import pandas as pd
from datetime import datetime

df['year'] = df['timestamp'].dt.year
df['month'] = df['timestamp'].dt.month
df['day'] = df['timestamp'].dt.day
df['hour'] = df['timestamp'].dt.hour
df['weekday'] = df['timestamp'].dt.weekday

2. 滞后特征构建

通过滑动窗口创建滞后特征：

for i in [1, 7, 30]:
    df[f'lag_{i}'] = df['value'].shift(i)

3. 滚动统计特征

计算滚动窗口的统计量：

window_size = 7
for stat in ['mean', 'std', 'min', 'max']:
    df[f'rolling_{stat}_{window_size}'] = df['value'].rolling(window=window_size).agg(stat)

4. 周期性特征

使用正弦和余弦函数编码周期性：

import numpy as np
period = 24  # 小时周期
(df['hour'] / period) * 2 * np.pi

这些技巧可显著提升时间序列模型的预测性能，建议在数据清洗后进行特征工程处理。