Bayesian methodsBayesian / computational
时间序列卡尔曼滤波
时间序列卡尔曼滤波在时间序列模型的状态空间表示中应用卡尔曼滤波和平滑算法。它从观测数据中递归地提取未观测到的成分——趋势、季节性、周期和不规则噪声——提供最优的滤波和平滑状态估计及其不确定性，并能够对参数估计进行精确的似然评估。
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
方法图谱
相关方法的邻域——选择一个节点以展开探索。
来源
- Durbin, J. & Koopman, S. J. (2012). Time Series Analysis by State Space Methods (2nd ed.). Oxford University Press. ISBN: 978-0199641178
- Harvey, A. C. (1989). Forecasting, Structural Time Series Models and the Kalman Filter. Cambridge University Press. ISBN: 978-0521321969
如何引用本页
ScholarGate. (2026, June 3). Kalman Filter for Time Series State-Space Models. ScholarGate. https://scholargate.app/zh/bayesian/time-series-kalman-filter
选用哪种方法？
将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。
- Bayesian Regression贝叶斯↔ 比较
- 动态贝叶斯网络贝叶斯↔ 比较
- 卡尔曼滤波器贝叶斯↔ 比较
- 粒子滤波器（序贯蒙特卡洛）贝叶斯↔ 比较
- 顺序蒙特卡洛贝叶斯↔ 比较
- 时间序列贝叶斯推断贝叶斯↔ 比较