1.统计特征
对时间序列进行统计分析是最容易想到的特征提取方法，这里包括的特征有：
：均值、标准差、极值、分位数、尖峰个数、缺失个数、偏差等等；
：自相关性、周期性、趋势（斜率）、频率、随机噪音等等。
2. 维度特征
维度特征是提取时间序列在时间维度上的信息，包括：
：持续时间（比如：单页面浏览时长）、时间间隔（比如：上次购买、距离现在购买的时间）
：
小时级特征：哪个时间段（0-24）
天级特征：一周中的星期几、工作日、周末、法定假日
星期级特征：一个月中的第几个星期、一年中哪个星期
月份级的特征：第几个月份
3. 窗口特征
将时间序列在时间轴上划分窗口是一个常用且有效的方法，包括滑动窗口（根据指定的单位长度来框住时间序列，每次滑动一个单位），与滚动窗口（根据指定的单位长度来框住时间序列，每次滑动窗口长度的多个单位）。窗口分析对平滑噪声或粗糙的数据非常有用，比如移动平均法等，这种方式结合基础的统计方法，即按照时间的顺序对每一个时间段的数据进行统计，从而可以得到每个时间段内目标所体现的特征，进而从连续的时间片段中，通过对同一特征在不同时间维度下的分析，得到数据整体的变化趋势。
4.基于神经网络的特征工程
这种方式通常特征的解释性差，但效果好。一般来说，训练好的网络中间层输出可以被当做特征，例如自编码器模型 “Encoder-Decoder”，如果输入输出是时间序列的话， Encoder 的输出可以当做一个输入被“压缩”的向量，那么当网络效果得还不错的时候，可以简单看做这个向量具备了这个时序的特征。
5.字典特征（BoP）
字典方法旨在将时间序列通过变换，找到划分的阈值，进而将每个时序实值划分开，对应到某个字母表中。其通过滑动窗提取不同“单词”的出现频率，作为分类依据。这种方法的优势在于速度很快，而且抗噪效果好，缺点在于会损失很多有效的时序信息，只能进行粗粒度的时序分类分析。
6.降维转换特征
与高维空间转换特征相反，提取时间序列的降维特征常出现在多维时间序列分析方面，其主要是更快捕捉复杂时间序列中的主要特征，提高分析效率与速度，包括主成分分析（PCA），tSNE，张量分解等等，可以帮助我们从相关因素的角度来理解时间序列。
7.高阶特征
若有更多的信息，我们是可以利用多个特征进行融合，比如，我有门店开业时长，平均营业额，门店销售方差等等，可以利用这些信息聚类。理由是：把类别标签，作为一个特征，相同的类别，理应具有相似的曲线，具有相似特性的数据，生成相同的数据特征。
当然有读者肯定有疑问了，聚类是无监督学习，事先无法知道聚类的个数，这里建议使用一点经验值，或者使用聚类的评估指标，如果轮廓系数，得到一个较为可靠的类别数。
时间序列中的特征Embedding
时间序列建模的时间戳与时序特征衍生思路 (qq.com)
k-shape时间序列聚类(tslearn)_fitzgerald0的博客-CSDN博客_k-shape
时间序列树模型特征工程汇总fitzgerald0的博客-CSDN博客序列特征 树模型
