话务预测（6） 时间序列特征

　　在离网用户分析中我们就说过，特征对于一个具体的数据挖掘任务往往至关重要。（在一些竞赛中，往往最终看的是谁的算法更牛Ｂ，那是因为大家通过论坛或者其他渠道的相互交流，已经囊括了所有的特征，所以那是在特征都一样的情况下，比的是算法）。
　　前一节中，我们用来做KNN和K-means的基础就是特征，所以这里有必要介绍一下我们用的几个特征。

差分特征

　　我们在ARIMA中介绍过，所谓差分，就好比求导，得出的是指标的变化，以及变化的变化，所以我们将话务量值、话务量的差分以及差分的差分进行拼接，作为特征值。

直方图特征

　　这里的直方图特征，参见http://blog.csdn.net/infskyline/article/details/47253831。

高斯特征

　　因为每个基站每天都有24个特征值，如果是N天，那么我们我们就可以得到24个时间序列，我们对每个时间序列进行高斯建模，然后将模型参数进行拼接作为我们的特征。

多层Harr小波变换特征

　　就是将时间序列进行小波变换，然后一直变换到最细的粒度。具体参考这篇文章：

《A Non-parametric Wavelet Feature Extractor for Time Series Classification》

　　接下俩我们来讨论几个常用的机器学习中的矩阵分解方法，有些是之前的任务中用到，但是没有谈到的，有些是后面基于数据包的推荐业务中用到的，我们把他们归到一起谈一谈。
　　矩阵分解、优化都是机器学习中的基本问题。