• 特征工程2之 . 时序值衍生的特征


    2. 时序值衍生的特征

    因为时间序列通过历史来预测未来,那么,这个时序值的历史数据,也就是当前时间点之前的信息就非常有用,通过他可以发现时间序列的趋势因素季节性周期性因素以及一些不规则的变动,具体来说这部分特征可以分为三种:滞后值滑动窗口统计和拓展窗口统计。

    2.1 滞后值

    也称lag feature,比如对于t时刻的数据,我们认为他是跟昨天的数据、上周同一天的数据、上个月同一天的数据、去年同期的数据是高度相关的,那么,我们就可以将t-1、t-7、t-30、t-365的数据用来做特征。
    但是在使用滞后值作为特征时需要注意一点,就是当在进行多步预测的时候,如果预测的horizon超过了滞后的期数,那么这时候就得使用递归的方式,将先前预测的值作为特征,举个例子,使用滞后一期的值作为特征,当前时间点为2021-07-10,我要预测2021-07-11和2021-07-12的股票价格,那么2021-07-11的值是可以预测的,因为我有2021-07-10的数据,但是2021-07-12的数据就不行了,因为我没有2021-07-11的数据,所以这时候一种做法就是将先前2021-07-11的预测值直接作为特征的输入,对于这种预测就得一行一行来,预测一行,拿预测值作为输入,再预测一行,再得到预测值,再预测一行,以此类推...

    2.2 滑动窗口统计

    除了使用原始Lag值作为特征,还可以使用先前时间观察值的统计信息作为特征,这种类型的特征叫做滑动窗口统计,Rolling Window Statistics。比如对于t时刻,我们可以取前七天的统计值作为特征,也就是将t-1~t-8这个时间段数据的平均数、中位数、标准差、最大值、最小值等作为特征,这里指定的window就是7,也可以根据需要指定14,30等,可以发现,上面说的滞后值特征其实就是一种特殊的滑动窗口,他的window=1,然后滑动窗口统计也是可以指定滞后的期数来衍生出更多的特征的,比如七天前那个时刻的前七天数据的统计量。
    同理,在构造这种特征的时候,也需要注意一下在多步预测时可能出现的问题

    2.3 扩展窗口统计

    另一种特征叫做扩展窗口统计(Expanding Window Statistics),其实也算是一种特殊的滑动窗口统计,不过他用来统计的数据是整个序列全部的数据,统计值可以是平均数、中位数、标准差、最大值、最小值等,这种特征一般是用在多序列建模,比如不同的股票价格,可能会有着不同的内在属性,在预测的时候用这个特征作为区分也是一种方式。

  • 相关阅读:
    为什么您的公司应该进行脉动调查以及如何正确进行
    Centos7 + kubenetes 一键安装实战
    常用测试用例设计方法之边界值分析法
    VsCode主题推荐
    vue 如何简单快捷在我们本地测试我们写的代,而不用部署
    【编程实践】使用pcl提取给定点云的三维边界点
    热管理系统研发服务
    Vue开发实战二十二:列表中表格动态合并的实现
    【建议收藏】6款高质量Windows软件,好用到无法拒绝
    音视频专题--opengl (3)
  • 原文地址:https://blog.csdn.net/sinat_37574187/article/details/126407517