2. 时间序列数据处理与特征工程

文档摘要

时间序列数据处理与特征工程时间序列数据处理与特征工程在基于深度学习的时间序列预测中，高质量的数据处理和有效的特征工程是模型成功的基石。原始时间序列数据往往存在噪声、缺失值、不规则采样等问题，且其固有的时间依赖性、趋势性、季节性等特性需要被充分挖掘和编码，才能被深度学习模型有效学习。本章将详细阐述时间序列数据的特性、数据预处理方法以及针对时间序列数据的特征工程技术。 2.1 时间序列数据特性时间序列数据与传统表格数据最大的区别在于其固有的时间顺序性，这使得数据点之间存在强烈的依赖关系。理解这些特性对于后续的数据处理和模型构建至关重要。 2.1.1 时间依赖性 (Temporal Dependency) 时间序列数据中的当前值往往与历史值存在直接或间接的关联。