增量卡尔曼滤波

Question

请让我知道是否可以使用当前的状态模型SARIMAX代码逐步应用卡尔曼滤波(使它更快)？

这就是我的意思。假设一个SARIMAX模型(#1)使用[iFitBegin, iFitEnd]中的索引数据，然后使用这样的模型对[iFitEnd+1, iDataEnd]中的索引进行数据预测。要做到这一点，在当前代码中，似乎必须使用[iFitBegin, iDataEnd]中的索引数据创建一个新的SARIMAX模型( #2 )，并在模型#2上应用卡尔曼滤波，并从模型#1中提取参数。在此之后，人们可以从模型#2请求预测。然而，如果对流式数据进行预测(对于大型模型)，则计算成本很高(在中，新数据一次到达一个数据点，每次)，因为每次都必须将从iFitBegin到索引iPred (需要预测的那个)进行所有卡尔曼滤波。从数学上讲，卡尔曼滤波是逐步应用的，即如果卡尔曼滤波达到索引iPred，那么对索引iPred+1进行滤波时，只需在iPred处取状态，只需在iPred+1上使用一个新的数据点即可应用一步卡尔曼滤波，因此，如果可以在代码中增量地进行滤波，那将是很好的。

请您告诉我，在当前的状态模型SARIMAX实现中，是否有办法进行这种增量卡尔曼滤波(即一次更新一个状态)？

Answer 1

它现在可以在Statsmodels的开发版本中使用(即在Github的主分支中)，并将在版本0.11中提供(不过，还没有发布该版本的时间表)。

基本上，您将能够执行以下操作：

training_mod = sm.tsa.SARIMAX(training_endog, order=(1, 0, 0))
training_res = training_mod.fit()

# The `extend` call will only apply the Kalman filter to the
# updated_endog
extended_res = training_res.extend(updated_endog)
fcasts = extended_res.forecast()

请注意，这将而不是重新估计参数，但它将允许您扩展当前的结果以适应更新的观测集，而不必在training_endog样本上重新运行卡尔曼滤波器。

有关其他详细信息，请参阅forecasting.html。