【发布时间】：2013-03-13 12:13:04
【问题描述】：
我有一些不规则采样的一维数据（时间序列数据）；即非恒定采样率。我想将这些数据转换为定期采样（统一采样率）的时间序列。我尝试使用线性插值来实现这一点；但是，当样本之间的时间差异很大时，这不是很有效。这并不奇怪。我还尝试了一些 ad hoc 方法，这些方法同样不是很有效。
我看过几篇关于使用匹配追踪在不规则网格上进行插值的论文；但是，我不清楚如何使用这种方法在常规网格上获取样本（至少现在还不清楚）。
如果对从不规则网格到规则网格（一维数据）的插值算法提出任何建议，我将不胜感激。
【问题讨论】：
-
您在使用线性插值时究竟发现了什么“不是很有效”？
-
Jaime，线性插值在间隙较大时无效。应该清楚的是，在大间隙上的线性模拟会将所有估计（内插）值放在一条直线上——这在实际测量数据中几乎不会发生。这也可以通过删除随机长度的样本通过模拟轻松显示。这就是我所说的“不是很有效”。如果您愿意，我可以提供一些参考资料。
-
注意，我使用了一个状态空间模型并应用了一个连续时间卡尔曼滤波器，然后是一个 RTS 平滑器，可用于估计平滑的 TS。但是，这并不能真正解决我的问题。我不是要平滑数据；而是在规则网格上找到测量信号的估计值。
-
问题是您缺少数据，因此您需要更准确地确定您希望您的插值（也称为“组成”）值具有哪些属性。你宁愿让他们坐在抛物线上而不是直线上吗？使用分段二次插值器。在正弦波上？尝试傅立叶方法。随机选择的？除非您非常了解真实数据的行为，或者对插值器有精确的要求，否则真的没有正确的答案，例如连续的前两个导数。
-
“空白”是 Jaime 所说的“缺失数据”的意思。如果你想插值比线性插值“更好”，你需要为你的特定应用指定什么是“更好”——这里没有通用的答案，这完全取决于对数据应该是什么样的先验知识。
标签： numpy scipy time-series