时间序列无处不在，心电图上的心跳、股票价格、家庭智能电表读数，甚至句子中词语——这些都是时间序列。它们的特殊之处在于顺序：过去影响未来，相邻的数据点往往高度相关。
现代预测和分类模型很少直接处理原始时间序列值。它们依赖的是特征：用来描述序列形状、变异性、趋势和模式的摘要信息。好的特征能把困难的预测问题转化为更简单的回归或分类任务。
当前有两大趋势，一是 AutoML（自动机器学习），像 auto-sklearn 这样的系统能自动搜索模型族、超参数和预处理步骤。二是自动化时间序列特征提取，像 tsfresh 这样的库可以从每个序列生成数百个特征，涵盖统计量、自相关、频谱内容、熵等各个维度。
最近的研究表明，将 AutoML 与丰富的时间序列特征结合，在许多预测任务上能超越复杂的深度神经网络。更有意思的是这种方法甚至可以通过"语言时间序列"来提升文本分类的性能。
本文将介绍多步时间序列预测的构建方式、auto-sklearn 如何扩展用于时间序列、tsfresh 的工作原理和使用方法，以及两个案例研究：数值预测和文本作为时间序列。文末还有一些可以直接应用到项目中的实用技巧。
https://avoid.overfit.cn/post/a96a4522adbf4d82a3b02b8c328b2306