Πώς να δημιουργήσετε χαρακτηριστικά για το μοντέλο βασισμένα στην τάση και το αποκορύφωμα στα μετρικά;

Για τη δημιουργία χαρακτηριστικών βάσει τάσης και κορυφής σε μετρήσεις, μπορούν να χρησιμοποιηθούν οι ακόλουθες προσεγγίσεις:

1. Τάση — αντικατοπτρίζει την κατεύθυνση της αλλαγής της μετρικής με την πάροδο του χρόνου. Για να την επισημάνετε, μπορείτε:

• Να υπολογίσετε ένα κινητό μέσο όρο ή εκθετικό λείο για τη μείωση του θορύβου.
• Να υπολογίσετε τον συντελεστή κλίσης μιας γραμμικής παλινδρόμησης στις τιμές της μετρικής σε μια καθορισμένη περίοδο — αυτό θα είναι ένα χαρακτηριστικό τάσης.
• Να χρησιμοποιήσετε διαφορές μεταξύ διαδοχικών τιμών ή ποσοστιαίες αλλαγές.

2. Κορυφή — το σημείο μέγιστου ή ελάχιστου στη μετρική, που υποδεικνύει μια κορυφαία τιμή:

• Να εντοπίσετε τοπικά μέγιστα/ελάχιστα με αλγόριθμους αναζήτησης άκρων.
• Να δημιουργήσετε ένα δυαδικό χαρακτηριστικό που να δείχνει αν το τρέχον σημείο είναι κορυφή.
• Να υπολογίσετε την απόσταση σε χρόνο ή τιμή μέχρι την πλησιέστερη κορυφή.

Παράδειγμα σε Python για τον υπολογισμό τάσης και κορυφής:

import numpy as np
from scipy.signal import argrelextrema

def create_trend_feature(values):
    x = np.arange(len(values))
    coeffs = np.polyfit(x, values, 1)  # γραμμική παλινδρόμηση
    return coeffs[0]  # κλίση τάσης

def find_peaks(values):
    maxima = argrelextrema(np.array(values), np.greater)[0]
    return maxima

values = [10, 12, 15, 14, 13, 16, 20, 18, 17]
trend = create_trend_feature(values)
peaks = find_peaks(values)

print(f"Τάση (κλίση): {trend}")
print(f"Δείκτες κορυφών: {peaks}")

Έτσι, τα χαρακτηριστικά τάσης και κορυφής βοηθούν το μοντέλο να λαμβάνει υπόψη τη δυναμική της μεταβολής των μετρήσεων, βελτιώνοντας την ποιότητα των προβλέψεων.