Zaman Serisi Ardışık Monte Carlo
Sequential Monte Carlo Methods for Time Series · Ayrıca şöyle bilinir: particle filter, time series SMC, sequential particle filtering, bootstrap particle filter
Zaman serisi ardışık Monte Carlo (SMC), yaygın olarak parçacık filtresi olarak adlandırılır, gözlemler tek tek geldikçe dinamik bir sistemin gizli durumunu izleyen Bayesci bir simülasyon yöntemidir. Ağırlıklı rastgele örneklerden oluşan bir bulut – parçacıklar – sistem dinamiği boyunca ileriye doğru yayılır, her parçacığın yeni gözlemi ne kadar iyi açıkladığına göre yeniden ağırlıklandırılır ve olası durumlara odaklanmış temsili korumak için periyodik olarak yeniden örneklenir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Durum-uzay modeli doğrusal olmayan veya Gauss olmayan gürültüye sahip olduğunda zaman serisi SMC'yi kullanın, bu da Kalman filtresini uygulanamaz hale getirir. Takip, navigasyon, finans (stokastik volatilite), ekoloji (popülasyon dinamikleri) ve epidemiyoloji (bilinmeyen durumlarla bölmesel modeller) için doğru araçtır. Modelin doğrusal-Gauss olduğu durumlarda kullanmayın – bu durumda Kalman filtresi kesin ve çok daha verimlidir. Ayrıca, yüksek boyutlu bir durumu kapsamak için N'nin çok büyük (milyonlarca parçacık) olması gerektiğinde de kaçının, çünkü yöntem boyutluluk lanetinden muzdariptir; bunun yerine SMC örnekleyicileri veya ardışık varyasyonel yöntemleri düşünün.
Güçlü yönler & sınırlılıklar
- Kalman filtresi veya genişletilmiş Kalman filtresinin aksine, doğrusal olmayan durum geçişlerini ve Gauss olmayan gürültüyü tam olarak ele alır.
- Her zaman adımında gizli durum üzerinde tam bir yaklaşık sonsal dağılım üretir, sadece bir nokta tahmini değil.
- Akan verileri doğal olarak işler: güncelleme ardışık ve çevrimiçidir, geçmiş gözlemleri tekrar ziyaret etmeye gerek yoktur.
- Parçacıklar arasında önemsiz derecede paralelleştirilebilir, bu da GPU uygulamalarını pratik hale getirir.
- Modelden bağımsızdır: kapalı form cebir olmadan herhangi bir durum-uzay modeli kullanılabilir.
- Yüksek boyutlu durum uzaylarında bozulur (boyutluluk laneti): üstel olarak çok sayıda parçacık gerekebilir.
- Olasılık önsele göre çok bilgilendirici olduğunda, yeniden örnekleme ile bile parçacık çökmesi meydana gelebilir.
- Yeterli N olmadığında tahminlerin varyansı yüksek olabilir; N seçimi probleme bağlıdır ve genellikle ayarlama gerektirir.
- Geçmiş durumların geriye dönük düzeltilmesi ek geriye doğru geçişler gerektirir, bu da karmaşıklığı artırır.
SSS
Zaman serileri için SMC, standart MCMC'den nasıl farklıdır?
MCMC, tüm zaman adımları üzerindeki tam birleşik sonsal dağılımı aynı anda keşfeder ve doğası gereği çevrimdışıdır – örnekleme başlamadan önce tüm verilerin mevcut olmasını gerektirir. SMC, gözlemleri ardışık olarak işler ve her zaman adımında filtreleme sonsal dağılımının sürekli bir yaklaşımını üretir, bu da onu çevrimiçi veya gerçek zamanlı uygulamalar için uygun hale getirir. İkisi SMC örnekleyicileri veya parçacık MCMC algoritmalarında birleştirilebilir.
Kalman filtresini parçacık filtresine ne zaman tercih etmeliyim?
Kalman filtresi, doğrusal-Gauss durum-uzay modelleri için en uygun ve kesin filtredir ve bu ortamda parçacık filtresinden çok daha verimlidir. Parçacık filtresini yalnızca geçiş veya emisyon yoğunlukları doğrusal olmayan olduğunda veya gürültü Gauss olmayan olduğunda kullanın – tam olarak Kalman filtresinin bir yaklaşım olduğu (EKF, UKF) veya uygulanamadığı durumlar.
Kaç parçacığa ihtiyacım var?
Evrensel bir cevap yok. Düşük boyutlu durumlarda (1-5 boyut), birkaç yüz ila birkaç bin parçacık genellikle yeterlidir. Daha yüksek boyutlu durumlarda, gereken N üstel olarak artabilir. Pratik rehberlik, etkin örneklem büyüklüğünü izlemek ve tahminler stabilize olana kadar N'yi artırarak deneyler yapmaktır.
Bu bağlamda filtreleme ve düzeltme arasındaki fark nedir?
Filtreleme, mevcut gizli durum üzerindeki sonsal dağılımı mevcut zamana kadar olan tüm gözlemler göz önüne alındığında üretir: p(x_t | y_{1:t}). Düzeltme, geçmiş bir durum üzerindeki sonsal dağılımı gelecek olanlar da dahil olmak üzere tüm gözlemler göz önüne alındığında üretir: s < T için p(x_s | y_{1:T}). Düzeltme geriye dönüktür ve bir geriye doğru geçiş gerektirir; filtreleme çevrimiçi ve ardışıktır.
SMC, sadece durum filtrelemesi için değil, parametre tahmini için de kullanılabilir mi?
Evet. Sabit parametreler genişletilmiş bir duruma dahil edilebilir ve birlikte tahmin edilebilir, ancak bu genellikle parçacık fakirleşmesine yol açar. Daha sağlam yaklaşımlar arasında parçacık MCMC (PMCMC), SMC² (hem durumlar hem de parametreler için ardışık SMC) veya parametrelere küçük yapay gürültü ekleyip Liu-West filtresini kullanmak yer alır.
Kaynaklar
- Gordon, N. J., Salmond, D. J., & Smith, A. F. M. (1993). Novel approach to nonlinear/non-Gaussian Bayesian state estimation. IEE Proceedings F — Radar and Signal Processing, 140(2), 107–113. DOI: 10.1049/ip-f-2.1993.0015 ↗
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.). (2001). Sequential Monte Carlo Methods in Practice. Springer. ISBN: 978-0387951461
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Sequential Monte Carlo Methods for Time Series. ScholarGate. https://scholargate.app/tr/bayesian/time-series-sequential-monte-carlo
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Dinamik Bayes AğıBayesçi↔ karşılaştır
- Gibbs ÖrneklemesiBayesçi↔ karşılaştır
- Kalman FiltresiBayesçi↔ karşılaştır
- Parçacık Filtresi (Sıralı Monte Carlo)Bayesçi↔ karşılaştır
- Sıralı Monte CarloBayesçi↔ karşılaştır