从您的评论中，我了解到您正在尝试使用聚合数据来解决二进制分类问题，而当您仅使用平均值时，您会得到非常糟糕的结果。

根据数据的具体情况和时间序列的形状，您可以尝试多种替代方案。请注意，您可能需要（显着）多个时间序列来解决您的问题。

1. 除了平均值之外，您还可以使用分位数或其他一些汇总统计量，例如标准差、最小值或最大值。
2. 您可以尝试对数据进行采样，即不采用整个时间序列，而只选择分钟、小时或天部分的值。或者只选择中午值。采样频率取决于您的数据。
3. 或者只是通过计算每小时、每天、每月等的平均值来预先聚合。
4. 此外，您可以计算时间序列的周期性并将其用作新功能。
5. 或者计算一些趋势。
6. 尝试将一些标准时间序列模型拟合到您的数据中，例如 ARIMA 并将系数用作信息特征。
7. 最后但并非最不重要的一点是，使用领域知识来了解可能与您的分类问题相关的特征：最大跳跃（最大一阶差）、制度变化等。

编辑 我会为每个如上所述生成的时间序列选择至少 10-20 个特征，并使用 LASSO 甚至 xgboost 应用逻辑回归。

在每个时间序列选择 10-20 个特征后，您还可以尝试 PCA 来降低维度。

如果您的领域表明频率元素可能对分类具有某种意义或相关性，您可以尝试对序列进行傅立叶变换。我曾经按照 aivanov 的建议，沿着通常的统计特征取了前 10 个变换系数。它帮助我对数据进行分类。在进行变换之前，您还可以从通过高通/低通或带滤波器的系列中受益。