SARIMAX：增量卡尔曼滤波器答案

【问题标题】：SARIMAX: incremental Kalman filterSARIMAX：增量卡尔曼滤波器
【发布时间】：2019-09-01 01:39:03
【问题描述】：

能否请您告诉我是否可以使用当前的 statsmodels SARIMAX 代码逐步应用卡尔曼滤波器（以使其更快）？

这就是我的意思。想象一下，一个人使用索引为[iFitBegin, iFitEnd] 的数据拟合 SARIMAX 模型（#1），然后想使用这样的模型对索引为[iFitEnd+1, iDataEnd] 的数据进行预测。要在当前代码中做到这一点，似乎必须使用具有[iFitBegin, iDataEnd] 索引的数据创建一个新的 SARIMAX 模型（＃2），并在模型＃2 上应用卡尔曼滤波器，参数取自模型＃1。之后，可以从模型 #2 请求预测。但是，如果对流数据（新数据一次到达一个数据点）进行预测，则计算成本很高（对于大型模型），因为每次都必须从iFitBegin 到索引 iPred（需要预测的那个）。在数学上，卡尔曼滤波器是增量应用的，即如果卡尔曼滤波完成到索引iPred，那么要进行滤波到索引iPred+1，只需要采用iPred的状态并且只应用卡尔曼滤波器的一步使用iPred+1 的单个新数据点，因此如果也可以在代码中以增量方式执行此操作，那就太好了。

您能否告诉我在当前的 statsmodels 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）？

【问题讨论】：

标签： python statsmodels kalman-filter arima

【解决方案1】：

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 0.11 版本中使用（不过，还没有该版本的时间表）。

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，这将不会重新估计参数，但它允许您扩展当前结果以适应更新的观察集，而无需在 @ 上重新运行卡尔曼滤波器987654323@样品。

有关更多详细信息，请参阅https://www.statsmodels.org/devel/examples/notebooks/generated/statespace_forecasting.html。

【讨论】：