2.4 特征构建与选择 (滞后特征、统计特征、时域/频域特征)

文档摘要

2.4 特征构建与选择 (滞后特征、统计特征、时域/频域特征) 2.4 特征构建与选择在时间序列异常检测中，原始时间序列数据通常不足以直接输入到模型中。有效的特征工程能够提取时间序列中的关键信息，提高模型的检测准确性和鲁棒性。本节将详细介绍几种常用的特征构建方法，包括滞后特征、统计特征以及时域/频域特征，并探讨特征选择的重要性。 2.4.1 滞后特征（Lagged Features）滞后特征是最常用且最直观的时间序列特征之一。其基本思想是利用过去时间点的数据作为当前时间点的特征。这基于时间序列数据通常具有自相关性，即过去的值对未来的值有一定的影响。定义：对于时间序列，其k阶滞后特征定义为，其中k为滞后阶数。构建方法：确定滞后阶数：这是构建滞后特征的关键。