时间序列数据的特征工程是一种技术，用于从时间序列数据中提取信息或构造特征，这些特征可用于提高机器学习模型的性能。以下是一些常见的时间序列特征工程技术：
- 滚动统计量：计算时间窗口内的统计量，如平均值、中位数、标准偏差、最小值和最大值。这些统计量可以捕捉到时间序列在不同时间段的行为变化。
- 滞后特征：创建时间序列的过去值作为新的特征，以揭示序列的自相关性质。例如，可以使用前一天（滞后1）或前一周（滞后7）的数据作为预测当前值的特征。
- 差分和季节差分：计算时间序列的一阶差分（即当前值与前一个值的差）或季节性差分（如当前值与前一年同一天的值的差）来帮助去除趋势和季节性影响。
- 变换：应用变换如对数变换、平方根变换等，可以帮助稳定时间序列的方差，使其更适合某些统计模型。
- 时间戳信息：提取时间戳的特定部分，如小时、周天、月份等，用于捕捉周期性模式。
- 傅里叶变换：通过傅里叶变换将时间序列转换为频域表示，提取周期性特征。
- 波动性度量：对于金融时间序列，可以计算历史波动性或返回序列的标准偏差等度量。
- 窗口函数：使用滑动窗口操作，如滑动平均或指数平滑，以平滑时间序列并减少噪声。
本文将通过使用feature-engine来简化这些特征的提取，首先我们看看数据。
https://avoid.overfit.cn/post/db4091bc5c8d489aa6f4df807ff7894f
标签：engine,特征,Feature,差分,变换,时间,序列 From： https://www.cnblogs.com/deephub/p/18147325