時間序列資料的特徵工程是一種技術，用於從時間序列資料中提取資訊或構造特徵，這些特徵可用於提高機器學習模型的效能。以下是一些常見的時間序列特徵工程技術：
- 滾動統計量：計算時間視窗內的統計量，如平均值、中位數、標準偏差、最小值和最大值。這些統計量可以捕捉到時間序列在不同時間段的行為變化。
- 滯後特徵：建立時間序列的過去值作為新的特徵，以揭示序列的自相關性質。例如，可以使用前一天（滯後1）或前一週（滯後7）的資料作為預測當前值的特徵。
- 差分和季節差分：計算時間序列的一階差分（即當前值與前一個值的差）或季節性差分（如當前值與前一年同一天的值的差）來幫助去除趨勢和季節性影響。
- 變換：應用變換如對數變換、平方根變換等，可以幫助穩定時間序列的方差，使其更適合某些統計模型。
- 時間戳資訊：提取時間戳的特定部分，如小時、周天、月份等，用於捕捉週期性模式。
- 傅立葉變換：透過傅立葉變換將時間序列轉換為頻域表示，提取週期性特徵。
- 波動性度量：對於金融時間序列，可以計算歷史波動性或返回序列的標準偏差等度量。
- 視窗函式：使用滑動視窗操作，如滑動平均或指數平滑，以平滑時間序列並減少噪聲。
本文將透過使用feature-engine來簡化這些特徵的提取，首先我們看看資料。
https://avoid.overfit.cn/post/db4091bc5c8d489aa6f4df807ff7894f