Was ist Feature Engineering für Zeitreihen (Lags, rollende Statistiken, Datetime-Features)?

Feature Engineering für Zeitreihen ist der Prozess der Erstellung neuer Merkmale aus den Rohdaten, die den Modellen helfen, die zeitliche Struktur und Abhängigkeiten besser zu erfassen.

• Lags (Verzögerungen) — Erstellung von Merkmalen, die die Werte der Zeitreihe aus vorherigen Zeitpunkten darstellen. Zum Beispiel der Wert der Reihe vor 1, 2, 3 Perioden. Dies hilft dem Modell, Autokorrelationen zu berücksichtigen.

• Gleitende Statistiken (rolling stats) — Berechnung von Statistiken (Durchschnitt, Median, Standardabweichung usw.) über ein gleitendes Fenster. Zum Beispiel der Durchschnitt der letzten 7 Tage. Dies hilft, Trends zu erkennen und Rauschen zu glätten.

• Datetime-Merkmale (datetime features) — Extraktion von Merkmalen wie Wochentag, Monat, Stunde, Feiertage, Saison usw. aus einem Zeitstempel. Dies hilft dem Modell, Saisonalität und Zyklizität zu berücksichtigen.

Beispiel für die Erstellung von Lags und gleitendem Durchschnitt in Python mit pandas:

import pandas as pd

df = pd.DataFrame({'value': [10, 12, 13, 15, 14, 16, 18]})
# Verzögerung um 1 Periode
 df['lag_1'] = df['value'].shift(1)
# Gleitender Durchschnitt über 3 Perioden
 df['rolling_mean_3'] = df['value'].rolling(window=3).mean()

Auf diese Weise hilft Feature Engineering den Modellen für Zeitreihen, die Datenstruktur besser zu verstehen und die Prognosequalität zu verbessern.