时间序列分析的关键问题

特征提取

利用深度神经网络或者传统特征工程的方法，例如卷积、多尺度卷积或者PCA降维法。
首先，时间序列的特征工程也大多是基于这三个数据衍生出来的：

1. 时序值衍生的特征
   因为时间序列是通过历史来预测未来，那么，这个时序值的历史数据，也就是当前时间点之前的信息就非常有用，通过他可以发现时间序列的趋势因素、季节性周期性因素以及一些不规则的变动，具体来说这部分特征可以分为三种：滞后值、滑动窗口统计和拓展窗口统计。滞后值也称lag feature，比如对于t时刻的数据，我们认为他是跟昨天的数据、上周同一天的数据、上个月同一天的数据、去年同期的数据是高度相关的。另一种特征叫做扩展窗口统计（Expanding Window Statistics），其实也算是一种特殊的滑动窗口统计，不过他用来统计的数据是整个序列全部的数据，统计值可以是平均数、中位数、标准差、最大值、最小值等，这种特征一般是用在多序列建模，比如不同的股票价格，可能会有着不同的内在属性，在预测的时候用这个特征作为区分也是一种方式。

2. 序列属性衍生的特征。这种方式又包含连续变量衍生和类别变量Encoding。一个序列可能会伴有多个连续变量的特征，比如说对于股票数据，除了收盘价，可能还会有成交量、开盘价等伴随的特征，对于销量数据，可能还会伴随有价格的特征。对于这种连续变量，可以直接作为一个特征，也可以像之前时序值衍生的特征那样做处理，或者也可以与先前的数据做差值，比如t时刻的价格减去t-1时刻的价格。

其次，深度神经网络在时间序列的应用非常广泛：

1. 可以采用变压器编码器架构的时间序列表示学习的框架，利用预训练方案，它可以在下游任务上提供比完全监督学习更大的性能优势，既可以利用但甚至不利用额外的未标记数据，即通过重用现有的数据样本。
2. 多维度卷积核以及动态化。
3. 因果分析和关联规则。
   能够找到可以与任务（分类，预测）密切相关的特征（表征信息）。

任务导向

1.异常检测 找到异常检测相关的表征。
2.多变量问题：挖掘变量关系，dtw。