⚡
Task3：尝试使用深度学习方案

2024年7月4日创建

3434

6739

💡

教程贡献者说：

前面我们介绍了如何使用经验模型以及常见的lightgbm决策树模型来解决本次时间序列问题。​

今天我们的任务是尝试构建深度学习模型来解决赛题

你可以从中学会

•
如何进行时间序列的进阶特征提取与分析​

•
如何构建深度学习方案​

祝你食用快乐~学得开心~

时间序列预测特征提取和分析方法

在进行时间序列分析时，特征提取是一个至关重要的步骤，因为它直接影响到模型的性能。以下是关键特征提取和分析方式的详细介绍：​

1.
日期变量：时间序列数据通常包含日期或时间信息。这可以细分为不同的时间尺度，如年、月、周、日、小时、分钟等。在特征提取时，可以将这些日期变量转换为数值型特征，以便于模型处理。​

2.
周期性：许多时间序列数据表现出周期性，例如，一天中的小时数、一周中的天数、一年中的月份等。识别并利用这些周期性特征可以帮助模型捕捉数据的内在规律。​

3.
趋势性：趋势性是指时间序列数据随时间推移呈现的上升或下降的总体模式。这可以通过诸如移动平均或线性回归等方法来提取，并作为特征输入模型。​

4.
距离某天的时间差：这涉及到从特定日期（如产品发布日、重要事件日等）计算时间差。这种特征可以帮助模型了解数据点与特定事件的相对位置。​

5.
时间特征组合：将不同的时间单位组合起来（如年和周、月和日）可以提供更丰富的时间上下文信息，有助于揭示数据中的复杂模式。​

6.
特殊日期：识别时间序列中的特殊日期或事件（如节假日、促销活动等）并将其作为特征，可以帮助模型解释与这些事件相关的数据波动。​

7.
异常点：时间序列中可能存在异常点，这些点与其他数据点显著不同。正确识别并处理这些异常点对于提高预测精度至关重要。​

8.
时序相关特征：​
◦
历史平移：将过去的值作为当前值的函数，例如，使用前一天的值来预测后一天的值。​
◦
滑窗统计：使用时间窗口内的统计数据（如平均值、中位数、标准差等）作为特征，这有助于捕捉局部时间范围内的数据特性。​

9.
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：​