Python 修正ARIMA预测结果的卡尔曼滤波模块

我目前正在编写一个脚本，使用ARIMA进行风速预测，对于一个非常短期的预测，我有非常好的结果。 我想知道python中的哪个Kalman Filter函数能够降低预测的均方根误差。 我只使用风速作为输入数据，我希望看到我的预测误差有所改善。 你能给我一些关于使用哪个模块、函数的指导，并具体说明为什么我不能使用其他模块吗。 我必须使用pykalman（卡尔曼平滑器）吗？为什么？如何？ 或tsa.kalmanf.kalmanfilter（在本模块中，我看到了两种不同类型的卡尔曼滤波器：一种用大写字母表示k，没有对函数的注释，另一种用非大写字母表示） 任何帮助都会很好

我会用这个：

普通的。这不是必需的

---

希望这有帮助，如果您需要进一步解释，请留下评论。

那么python库中已有的卡尔曼滤波函数呢？我说的是pykalman和statsmodels中的一个（tsa.kalmanf.kalmanfilter）。：）在使用Kalman滤波器之前，是否需要进行任何预分析，以检查我们的时间序列是否为非线性，以便知道使用哪个模块（扩展Kalman滤波器）？不确定它的其他实现。根据您的第二条评论，我想请你们参考斯塔克和伍德的《概率和随机过程及其在信号处理中的应用》。毕竟，使用卡尔曼滤波器并不适合心脏虚弱的人。你认为这个模块（用于ARMA模型的卡尔曼滤波器代码：）怎么样？我一直在使用ARIMA（包括积分，用于非平稳时间序列），我想知道它是否适合！

# Kalman filter example demo in Python

# A Python implementation of the example given in pages 11-15 of "An
# Introduction to the Kalman Filter" by Greg Welch and Gary Bishop,
# University of North Carolina at Chapel Hill, Department of Computer
# Science, TR 95-041,
# http://www.cs.unc.edu/~welch/kalman/kalmanIntro.html

# by Andrew D. Straw

import numpy
import pylab

# intial parameters
n_iter = 50
sz = (n_iter,) # size of array
x = -0.37727 # truth value (typo in example at top of p. 13 calls this z)
z = numpy.random.normal(x,0.1,size=sz) # observations (normal about x, sigma=0.1)

Q = 1e-5 # process variance

# allocate space for arrays
xhat=numpy.zeros(sz)      # a posteri estimate of x
P=numpy.zeros(sz)         # a posteri error estimate
xhatminus=numpy.zeros(sz) # a priori estimate of x
Pminus=numpy.zeros(sz)    # a priori error estimate
K=numpy.zeros(sz)         # gain or blending factor

R = 0.1**2 # estimate of measurement variance, change to see effect

# intial guesses
xhat[0] = 0.0
P[0] = 1.0

for k in range(1,n_iter):
    # time update
    xhatminus[k] = xhat[k-1]
    Pminus[k] = P[k-1]+Q

    # measurement update
    K[k] = Pminus[k]/( Pminus[k]+R )
    xhat[k] = xhatminus[k]+K[k]*(z[k]-xhatminus[k])
    P[k] = (1-K[k])*Pminus[k]

pylab.figure()
pylab.plot(z,'k+',label='noisy measurements')
pylab.plot(xhat,'b-',label='a posteri estimate')
pylab.axhline(x,color='g',label='truth value')
pylab.legend()
pylab.xlabel('Iteration')
pylab.ylabel('Voltage')

pylab.figure()
valid_iter = range(1,n_iter) # Pminus not valid at step 0
pylab.plot(valid_iter,Pminus[valid_iter],label='a priori error estimate')
pylab.xlabel('Iteration')
pylab.ylabel('$(Voltage)^2$')
pylab.setp(pylab.gca(),'ylim',[0,.01])
pylab.show()