在时间序列分析中，滞后是指变量在过去时间步长的值。 它代表了在数据序列中向后看以分析过去的观察结果如何影响当前或未来值的想法。 例如，在每日温度数据集中，昨天的温度（时间 *t-1*）相对于今天的温度（时间 *t*）滞后 1。 创建滞后是通过将时间序列数据移动特定数量的周期来实现的，从而有效地将过去的值与当前的时间戳对齐。 这使模型可以将历史模式（例如趋势或季节性）纳入预测或分析中。
滞后在时间序列建模中是基础，因为许多模式都取决于先前的观察。 例如，自回归 (AR) 模型使用过去值的线性组合来预测未来值，其中模型中的每个项都对应于一个滞后。 一个常见的例子是 ARIMA 模型，它将自回归项（目标变量的滞后）与过去预测误差的移动平均值相结合。 滞后还在测量自相关中发挥作用 - 时间序列与其自身滞后值的相关性。 通过计算不同滞后的自相关，开发人员可以识别重复模式，例如每日销售数据中的每周季节性（例如，滞后 7 天）或网站流量中的每小时峰值（例如，滞后 24 小时）。
开发人员通常在机器学习模型的特征工程中使用滞后。 例如，预测明天的股票价格可能需要过去 5 天的收盘价等特征（滞后 1 到 5）。 在 Python 中，可以使用 Pandas 等库使用 shift() 方法创建滞后特征。 例如，df['lag_1'] = df['value'].shift(1) 创建一个列，其中每行包含前一行的值。 但是，处理滞后需要谨慎：必须解决移动序列开始时的缺失值（例如，通过截断或插补），并且过度使用滞后可能会导致冗余特征或过度拟合。 经过周全的应用，滞后使模型能够捕获对于准确预测至关重要的时间依赖性。