时序数据的FE

参考： 时间序列数据的特征工程总结

时间序列预测常见方法：

1. 传统的时序预测方法：ARIMA和指数平滑法等；

2. 基于机器学习的方法：lightgbm和xgboost；

3. 基于深度学习的方法：RNN、LSTM等。

        虽然基于机器学习和深度学习方法的预测精度比较高，但依赖于特征工程，特征调的好的话是可以达到很高的预测精度的。一个典型的时间序列数据，会包含以下几列：时间戳，时序值，序列的属性变量，如下图，日期就是时间戳，销量就是时序值，序列的属性变量包括城市、产品、价格等。

 因此，时间序列的特征工程也大多是基于这三个数据衍生而来。

1. 时间戳衍生的特征

时间戳虽然只有一列，但可以根据这个衍生出很多变量。

1.1 时间特征

<