时间序列分析中的特征工程涉及将原始的带时间戳的数据转换为有意义的输入，以便用于机器学习模型。由于时间序列数据是序列且时间依赖的，目标是创建能够捕捉时间模式的特征，例如趋势、季节性和自相关。这个过程有助于模型理解过去和未来观测值之间的关系。例如，预测日销售额可能需要反映周循环或假日效应的特征。与表格数据不同，时间序列特征通常依赖于滑动窗口、滞后值或时间间隔上的聚合统计来有效地编码时间上下文。
常见的技术包括创建滞后特征（使用过去的值作为预测因子）、滚动统计量（例如，移动平均）以及基于日期的特征（例如，一天中的小时）。滞后特征，如过去 7 天的销售额，直接建模了过去的行为如何影响未来的结果。滚动窗口计算固定时间段（例如，30 天平均）内的指标，如均值或标准差，以平滑噪声并突出趋势。基于日期的特征将时间戳分解为月份、星期几或假日等组成部分，以考虑重复的模式。此外，分解方法（例如，将时间序列分解为趋势、季节性和残差）或傅里叶变换可以分离周期性信号。例如，分解每小时温度数据可能会揭示日和年周期，然后这些周期可以用作单独的特征。
关键的考虑因素包括处理非平稳性（统计属性随时间变化）和避免数据泄露（使用未来的数据来创建特征）。差分（用当前值减去前一个值）是解决非平稳性的常用方法。为了防止数据泄露，滚动平均等特征必须仅使用截止到预测点的历史数据进行计算。领域知识也发挥着作用：零售模型可能包含促销或本地事件的特征。最后，验证必须遵循时间顺序——将数据划分为顺序的训练/测试集，而不是随机划分。例如，在预测能源需求时，使用前一天需求的滞后特征，同时确保训练数据中不包含未来数据，可以确保模型对未见过的时间段具有泛化能力。