Kuidas luua mudeli tunnuseid, mis põhinevad trendil ja kulminatsioonil metrikates?

Metrikatel põhinevate omaduste loomisel trendi ja tipu alusel saab kasutada järgmisi lähenemisviise:

1. Trend — peegeldab metrika muutumise suunda aja jooksul. Selle esiletõstmiseks saab:

• Arvutada libiseva keskmise või eksponentsiaalse sileduse, et vähendada müra.
• Arvutada lineaarse regressiooni kalde koefitsient teatud perioodil — see on trendi omadus.
• Kasutada järjestikuste väärtuste erinevusi või protsentuaalseid muutusi.

2. Tip — metrikas maksimum või minimaalne punkt, mis näitab tippväärtust:

• Tuvastada lokaalsed maksimumid/minimumid ekstremumite otsingu algoritmidega.
• Luua binaarne omadus, mis näitab, kas praegune punkt on tipp.
• Arvutada kaugus ajas või väärtuses lähima tipuni.

Python näide trendi ja tipu arvutamiseks:

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)  # lineaarne regressioon
    return coeffs[0]  # trendi kaldu

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"Trend (kaldus): {trend}")
print(f"Tipudindeksid: {peaks}")

Sellisel viisil aitavad trendi ja tipu omadused mudelil arvestada metrikate muutuste dünaamikat, mis parandab prognooside kvaliteeti.