从零构建abcd状态空间模型：原理详解与Python实战

1次阅读

没有评论

共计 1927 个字符，预计需要花费 5 分钟才能阅读完成。

在时间序列分析中，状态空间模型相比传统方法（如 ARIMA）有几个明显的优势：

灵活性：可以更灵活地建模复杂的时间序列结构
可解释性：通过状态变量提供对系统内部状态的描述
适应性：更容易处理缺失数据和整合外部信息
扩展性：便于扩展到多维和非线性情况

ABCD 状态空间模型由两个基本方程组成：

状态方程（系统方程）：
$$x_t = A x_{t-1} + B u_t + w_t$$
其中：
$x_t$ 是状态向量
$A$ 是状态转移矩阵
$B$ 是控制输入矩阵
$u_t$ 是控制输入向量
$w_t$ 是过程噪声（通常假设为高斯白噪声）
观测方程（测量方程）：
$$y_t = C x_t + D u_t + v_t$$
其中：
$y_t$ 是观测向量
$C$ 是观测矩阵
$D$ 是前馈矩阵
$v_t$ 是观测噪声

下面是完整的 Python 实现代码，使用 statsmodels 库：

import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.statespace import tools, sarimax

# 1. 数据准备（示例使用随机数据）np.random.seed(123)
T = 200  # 时间点数量
u = np.random.normal(size=T)  # 控制输入
y = np.zeros(T)  # 观测值

# 2. 定义模型参数
A = 0.9  # 状态转移参数
B = 0.5  # 控制输入参数
C = 1.0  # 观测参数
D = 0.3  # 前馈参数

# 3. 生成模拟数据
x = np.zeros(T)  # 状态变量
for t in range(1, T):
    x[t] = A * x[t-1] + B * u[t] + np.random.normal(scale=0.5)
    y[t] = C * x[t] + D * u[t] + np.random.normal(scale=0.1)

# 4. 构建状态空间模型
model = sarimax.SARIMAX(
    y, exog=u,
    order=(1, 0, 0),  # AR(1)模型
    trend='n',
    measurement_error=True
)

# 5. 参数估计
results = model.fit(disp=False)
print(results.summary())

# 6. 预测
forecast = results.get_forecast(steps=20, exog=u[-20:].reshape(-1, 1))
pred = forecast.predicted_mean
conf_int = forecast.conf_int()

# 7. 可视化
plt.figure(figsize=(12, 6))
plt.plot(y, label='实际观测值')
plt.plot(results.fittedvalues, label='拟合值', linestyle='--')
plt.plot(range(T, T+20), pred, label='预测值', color='red')
plt.fill_between(range(T, T+20), conf_int[:, 0], conf_int[:, 1], color='pink', alpha=0.3)
plt.legend()
plt.title('ABCD 状态空间模型拟合与预测')
plt.show()

选择状态变量维度是建模的关键步骤：