卡尔曼滤波器python_特征工程：利用卡尔曼滤波器处理时间序列（快速入门+python实现）...

卡尔曼滤波器

英文kalman filter

这里介绍简单的，只有一个状态的滤波器

卡尔曼滤波器经常用在控制系统中、机器人系统中，但是这里主要讲解如何用在AI的大数据分析预测中

为什么要用kalman filter处理时间序列

假设我们有100个时间点的数据，这个数据就是分别在100个点观测出来的结果。

对于每一个时间点的数据，获取的方法有两个：

第一个就是观测，但是测量的结果不一定准确，可能受限于测量仪器的精度？

第二个就是用这个时间点之前的所有数据，预测这个时间点的数据，当然，这个预测值也是不准的。

可否利用这两种方法，相互促进，预测的值更准，或者说让观测道德值更接近本质？Kalman Filter卡尔曼滤波器就这样做的。

简单讲讲kalman filter的过程

每一个观测数据，严谨的说都应该会有一个偏差值。比方说，现在温度计测量是26度，偏差值是0.5度，那么真实的问题应该是在(25.5,26.5)之间，或者写成\(26\pm0.5\)。

这样我们预测的值，和观测的值，再加上这两个各自的偏差，总共四个已知信息，来推测真实的、更本质的数据。

预测的值：可以通过事先设定的公式，上一个时刻的真实的值算出来；

观测的值：直接读取测量仪器的值。

观测的值的偏差：这个也是可以直接得到的；

预测的值的偏差：这个是从上一个时间点的预测的值的偏差经过给定公式计算出来的。

下面的公式