Python代码提取时间序列特征基于tsfeature
Posted Data+Science+Insight
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python代码提取时间序列特征基于tsfeature相关的知识,希望对你有一定的参考价值。
Python代码提取时间序列特征基于tsfeature
随着时间的推移,组织收集了非常大量的数据,并需要识别异常的时间序列。Python库tsfeature帮助计算每个时间序列上的特征向量,计算各种不同序列的特征。其特征包括滞后相关( lag correlation)、季节强度(the strength of seasonality)、谱熵(spectral entropy)等。
时间序列特征提取常用方法
数据科学中最常用的特征提取机制之一,主成分分析(PCA)也被应用于时间序列的研究中。在对特征进行主成分分析(分解)后,可以对前两个主成分应用多种二元离群点检测方法。这使得异常的序列能够被识别出来。所使用的二元离群点检测方法是基于最高密度区域的方法。
方差或波动性的变化(variance or volatility )可能会在用经典方法如ARIMA建模时间序列时引起问题。
ARCH或自回归条件异方差方法(Autoregressive Conditional Heteroskedasticity method)在时间序列高波动性( highly volatile)模型中发挥着重要作用,如股票预测,以度量随时间变化的方差变化情况,如波动的增加或减少。
下是常见的可以抽取的时间序列的特性、功能及其描述。
Feature | Function | Description |
Mean | in |
以上是关于Python代码提取时间序列特征基于tsfeature的主要内容,如果未能解决你的问题,请参考以下文章
特征提取基于matlab一帧语音共振峰提取含Matlab源码 1768期
图像处理基于形状提取和模式匹配组合的面部特征点提取方法(Matlab代码实现)