Datawhale AI 夏令营 学习笔记——机器学习竞赛——Task3

一、时间序列预测特征提取和分析

关键特征提取和分析方式：

日期变量、周期性、趋势性、距离某天的时间差、时间特征组合、特殊日期、异常点、时序相关特征（历史平移、滑窗统计）、强相关特征（识别与目标变量强烈相关的特征，并利用这些特征来构建预测模型）

这张图片提供了一系列关于时间序列预测中构建关键特征的要点，包括强相关性特征、趋势性特征、周期性特征和异常点特征。以下是对这些特征的详细介绍：

1. 强相关性特征：

   1. 强相关性特征是指与目标变量有明显线性或非线性关系的输入特征。在时间序列中，这些特征可能包括：

      • 滞后特征：使用过去的值作为当前预测的特征，例如，使用前一天的销售数据来预测后一天的销售。

      • 滚动统计特征：计算时间序列的滚动窗口内的统计量，如平均值、最大值、最小值、总和等。

2. 趋势性特征：