Bayesowskie wnioskowanie w szeregach czasowych
Bayesowskie wnioskowanie w szeregach czasowych stosuje twierdzenie Bayesa sekwencyjnie do obserwacji uporządkowanych w czasie, utrzymując pełny rozkład prawdopodobieństwa nad ukrytymi stanami i parametrami modelu na każdym kroku czasowym. Ta struktura jednoczy modele przestrzeni stanów, dynamiczne modele liniowe i filtry cząsteczkowe, generując skalibrowaną niepewność zarówno dla zadań filtrowania (w czasie rzeczywistym), jak i wygładzania retrospektywnego.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Źródła
- West, M. & Harrison, J. (1997). Bayesian Forecasting and Dynamic Models (2nd ed.). Springer. ISBN: 978-0387947259
- Prado, R. & West, M. (2010). Time Series: Modeling, Computation, and Inference. CRC Press. ISBN: 978-1420093360
Jak cytować tę stronę
ScholarGate. (2026, June 3). Bayesian Inference for Time Series Models. ScholarGate. https://scholargate.app/pl/bayesian/time-series-bayesian-inference
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Regresja bayesowskaStatystyka bayesowska↔ compare
- Sieci Bayesowskie DynamiczneStatystyka bayesowska↔ compare
- Hierarchiczna inferencja bayesowskaStatystyka bayesowska↔ compare
- Filtr KalmanaStatystyka bayesowska↔ compare
- Filtr cząsteczkowy (Sekwencyjny Monte Carlo)Statystyka bayesowska↔ compare
- Sekwencyjne metody Monte CarloStatystyka bayesowska↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →