Mis on tunnusjoonte inseneritöö ajaseeriate jaoks (lags, libisevad statistika, kuupäeva omadused)?

Ajaomärgi insenerimine ajajärkudes on protsess, mille käigus luuakse algsetest andmetest uued tunnused, mis aitavad mudelitel paremini mõista ajaliselt struktuuri ja sõltuvusi.

• Lags (viivitused) — tunnuste loomine, mis esindavad ajajärgu väärtusi eelmistest punktidest. Näiteks ajajärgu väärtus 1, 2, 3 perioodi tagasi. See aitab mudelil arvestada autokorrelatsiooni.

• Rolling stats (liikuvaid statistikaid) — statistiliste näitajate (keskmine, mediaan, standardhälve jms) arvutamine liikuvate akende kaupa. Näiteks viimaste 7 päeva keskmine. See aitab tuvastada trende ja siluda müra.

• Datetime tunnused (kuupäeva ja kellaaja tunnused) — omaduste välja võtmine ajatemärgist, nagu nädala päev, kuu, tund, pühad, hooaeg jms. See aitab mudelil arvestada hooajalisust ja tsüklilisust.

Näide lagide ja liikuvate keskmiste loomise kohta Pythonis pandas abil:

import pandas as pd

df = pd.DataFrame({'value': [10, 12, 13, 15, 14, 16, 18]})
# 1 perioodi viivitus
 df['lag_1'] = df['value'].shift(1)
# 3 perioodi liikuv keskmine
 df['rolling_mean_3'] = df['value'].rolling(window=3).mean()

Sellisel viisil aitab tunnuste insenerimine ajajärkude mudeleid paremini andmete struktuuri mõista ning prognooside kvaliteeti parandada.