RとPythonでカルマンフィルタ｜加藤芳樹 (Yoshiki Kato)
はじめに気象予報士なら一度は聞いたことがあるカルマンフィルタ。気象予報士試験にも出題されます。そう、あの気温ガイダンスに使われているやつです。 ではどんなものかというと、数値予報モデルの系統誤差を学習して補正する手法、というくらいの理解ではないかと思います。実際、データサイエンスを学ぶまで私もその程度の理解でした。 そこでこのnoteでは、実際に自分でカルマンフィルタを使って太陽光発電予測をやってみた時の体験と、どういうツールを使ったかコードも少し交えて書きたいと思います。 ※コードとデータの一部をGitHubに公開しています。 気象予測ではどういう問題設定にしているか？カルマンフィルタは、時系列データに適用する統計モデリングの一種である状態空間モデルにおいて、「状態」を推定するための計算方法です。状態空間モデルとカルマンフィルタの概要は馬場真哉さんのサイト『Logics of Blue』
【特集】時系列解析 - 岩波データサイエンス
Ｒによる状態空間モデリング（伊東宏樹）dlmでもKFASでも、観測値中の欠測はNAとしておくと、補完されます．北川の解説にもあるように，欠測の扱いが容易なのが状態空間モデルの特徴なので，活用しましょう． KFASの原論文 Jouni Helske KFAS: Exponential Family State Space Models in R ［KFASでの非正規モデルの計算法についても触れている］ 岩波データサイエンスVol.1の特集「ベイズ推論とMCMCのフリーソフト」の伊東，松浦，伊庭（２番目）の解説でも，状態空間モデルや関連するベイズモデルについて取り上げていますので，あわせてご覧頂くと，より広い視野からの理解が可能になると思います． 粒子フィルタを実装してみる（刊行委員会）サンプルコード（Vol.6の本文のコード＋作図の部分） ダウンロード 上記用のテストデータ ダウンロード
ProphetとRで仮想通貨を時系列解析してみた - Qiita
はじめに 時系列解析ってなるとAR, MA, ARIMAモデルといった伝統的な解析方法から状態空間モデル, Stanによる統計ベイズモデリングなど様々の方法があります。そこにprophetという便利な時系列解析のAPIが出ていたのですね。ですので仮想通貨に対して適用し味見してみました。時系列解析になるとRの方が便利なのでこちらを使っていきます。 pythonでは、@shion1118さんが、Prophetを用いた時系列解析によるビットコイン価格予測を行っていますね。 Prophetとは CRANのマニュアルのDescriptionを訳しました。 非線形トレンドが年、週、日単位での季節性に加え、休日効果とともにフィットさせる加法モデルに基づく時系列データを予測する手法を実装している。これは強い季節性の効果やヒストリカルデータの複数の季節をもつ時系列データでうまく働く。Prophetは欠損値、
[R] 非ガウシアン状態空間対応パッケージ, KFAS の使い方 - ill-identified diary
概要 まだ日本語情報の少ない KFAS を一連の状態空間モデルネタの続きとして紹介する. KFAS には一番良く使われている dlm パッケージよりも優れた点がいくつもある. 前回のように, パッケージの理念・構文・具体例を用いた実験を順に紹介していく. 状態空間モデルを扱う Rパッケージの中では dlm が最も有名だが, これは名前の示すように動的線形モデル dynamic linear model, すなわちノイズが正規分布になる, ガウシアン線形状態空間モデルしか扱うことができない. これに対して KFAS の長所はいくつもあり, 特に正規分布いがいの分布も扱うことができるという点は特筆すべきである. なお, KFAS を日本語で紹介している文献は, 伊東先生の発表スライド, Rパッケージ“KFAS”を使った時系列データの解析方法 from Hiroki Itô 伊東 (2017,
![[R] 非ガウシアン状態空間対応パッケージ, KFAS の使い方 - ill-identified diary](https://cdn-ak-scissors.b.st-hatena.com/image/square/55dde84011f89d2bb3b373c108a980d209ee20e8/height=288;version=1;width=512/https%3A%2F%2Fcdn-ak.f.st-hatena.com%2Fimages%2Ffotolife%2Fi%2Fill-identified%2F20180811%2F20180811000928.png)
[R] [bsts, dlm, KFAS] マーケティングの状態空間モデリング - ill-identified diary
概要 岩波 DS Vol. 6 での佐藤忠彦 (2017, 状態空間モデルのマーケティングへの応用)の記事でなされた小売業の売上量のモデリングを R で再現してみる. dlm と KFAS, そしてbstsパッケージを利用して, それぞれでプログラムを書いてみる. 最近はゆるめの読み物ばかり書いてきたので, 硬派にやっていく. よってそれなりにハードな内容である. 量はだいたい7ページ分くらい. 初めに最近は技術的なことをあまり書かずに抽象的な話ばかりやってきたので, 久々に戻そうと思う. そこで, 状態空間モデルを用いてマーケティングにおける売上数予測モデルの構築の例をやってみる. 今回は読者が状態空間モデルの話を知っている前提で書いている. 状態空間モデルを解説した記事には, 例えば自分が昔書いたものがある. もちろん他にも探せばいくらでもある. では具体的になにをやるかというと, 佐
![[R] [bsts, dlm, KFAS] マーケティングの状態空間モデリング - ill-identified diary](https://cdn-ak-scissors.b.st-hatena.com/image/square/c1d7b547e297a8d256c5f81b9fcffc1a72546ffa/height=288;version=1;width=512/https%3A%2F%2Fcdn-ak.f.st-hatena.com%2Fimages%2Ffotolife%2Fi%2Fill-identified%2F20170906%2F20170906000146.png)
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
MMM研修 VII. 状態空間モデルの基礎
RPubs - MMM Training VIII 動学的市場反応モデル(2)
KFAS: Kalman Filter and Smoother for Exponential Family State Space Models
KFASで説明変数付きのローカルレベルモデル - Shuma Walking on
KFAS - 岩波データサイエンス
http://rtokei.tech/stan/bayesian-inference-with-stan-061/