Python 从时间序列数据中提取相关特征

我有一个传感器的时间序列数据集，任务是预测故障事件发生前的时间。数据集只有一个特性，没有日期或时间戳，几乎有2000万行。这是一个回归问题

我尝试了多项式特征、自相关、滚动统计和扩展统计。唯一似乎能改进我的模型的方法是扩大总和。从这些数据中提取哪些相关特征

我的模型是线性回归模型，数据集经过缩放，目前只有两个功能改进了我的模型。传感器数据和展开和。除了使用深度学习，还有其他解决这个问题的建议吗

更新：为了澄清，我添加了输入和输出的曲线图

传感器读数绘图-输入

故障时间图-输出

---

您是否使用列出的各种功能转换查看了数据？数据集中的传感器、测量和故障模式是什么？此外，故障似乎几乎总是同时发生。为什么不使用时间作为预测的基础呢？我在使用特征转换时没有查看数据。除了此类传感器的读数以及每次读数失败所需的时间外，数据集未提供任何其他信息，因此我无法包括时间。