[论文解读] StateSpaceModels.jl: a Julia Package for Time-Series Analysis in a State-Space Framework

Raphael Saavedra, Guilherme Bodin+1 more|arXiv (Cornell University)|Aug 5, 2019

Advanced Control Systems Optimization参考文献 10被引用 7

一句话总结

StateSpaceModels.jl 是一个 Julia 包，提供了一套灵活的开源框架，用于使用状态空间模型进行时间序列分析，实现了卡尔曼滤波器和平滑器，支持用户自定义线性模型、预测和蒙特卡洛模拟。它能够精确建模时变趋势和季节性，具有完整的本地方 Julia 实现，并能稳健处理缺失数据。

ABSTRACT

StateSpaceModels.jl is an open-source Julia package for modeling, forecasting and simulating time series in a state-space framework. The package represents a straightforward tool that can be useful for a wide range of applications that deal with time series. In addition, it contains features that are not present in related commercial software, such as Monte Carlo simulation and the possibility of setting any user-defined linear model.

研究动机与目标

• 解决缺乏专门、最新、完全本地方 Julia 包用于使用状态空间模型进行时间序列分析的问题。
• 提供一个灵活的开源替代方案，替代商业软件如 STAMP，具备增强功能，如蒙特卡洛模拟和用户自定义模型。
• 实现一个通用框架，支持使用高斯状态空间模型对时间序列进行建模、估计、预测和模拟。
• 通过避免依赖 C 或 Fortran 程序，确保在 Julia 1.0+ 中的兼容性和性能，与某些现有包不同。
• 支持预定义的经典模型和自定义线性状态空间公式，适用于多样化应用场景。

提出的方法

• 该包使用标准高斯状态空间框架，观测方程和状态方程由矩阵 Z、T、R、H 和 Q 定义。
• 实现了标准和平方根形式的卡尔曼滤波器和平滑器，以实现高效且数值稳定的估计。
• 用户可使用 StateSpaceModel 构造函数定义任意线性状态空间模型，从而实现超越预设模板的自定义模型指定。
• 该包支持使用估计模型和状态分布对未来时间序列情景进行预测和蒙特卡洛模拟。
• 在滤波和光滑过程中，缺失观测值（NaN 值）会自动处理。
• 该框架支持时变观测矩阵 Z_t，同时为实用性假设转换矩阵 T、R 和噪声矩阵 H、Q 为时不变。

实验结果

研究问题

• RQ1 与依赖 C/Fortran 绑定的包相比，纯本地方 Julia 实现的状态空间模型在性能和可维护性方面有何提升？
• RQ2 通用状态空间框架在统一接口中，能在多大程度上同时支持经典时间序列模型和用户自定义模型？
• RQ3 蒙特卡洛模拟和对缺失数据的稳健处理能否有效集成到 Julia 的高级、用户友好的时间序列包中？
• RQ4 该包的设计如何实现对具有时变成分（如趋势和季节性）的复杂时间序列进行准确预测和模拟？
• RQ5 使用平方根卡尔曼滤波变体在状态估计中是否具备提升数值稳定性的可行性与性能？

主要发现

• 该包成功实现了使用纯 Julia 编写的完整、通用的时间序列分析框架，无外部 C/Fortran 依赖。
• 原生支持未来时间序列情景的蒙特卡洛模拟，支持概率预测和情景分析。
• 在滤波和光滑过程中，该包能自动处理缺失观测值（NaN 值），确保在真实数据中的鲁棒性。
• 用户可通过 StateSpaceModel 构造函数指定自定义线性模型，实现超越预设模板的灵活建模。
• 该实现支持标准和平方根卡尔曼滤波与平滑，提升了数值稳定性。
• 在能源消耗预测和车辆跟踪等应用中，展示了该包在真实场景中准确状态估计和情景模拟的有效性。