kriging - 使用高斯过程回归或克里金法进行外推

Question

有没有办法使用克里金法或高斯过程回归来估计外推？

高斯过程非常适合分散数据的插值；但是，我需要及时推断变量的时间序列。

锄头我可以推断x(n+1) 使用x变量的历史， x_i , i = n, n-1 ,....

flag

例如，在 python 中：scikit-learn.org/stable/modules/gaussian_process.html

Answer 1

外推在理论上和实践上的工作方式相同。

理论上，当您学习高斯过程回归模型时，您已经对数据建模了高斯过程，您选择了它的均值函数、协方差函数并估计了它们的参数。要进行内插（或外推），您可以在知道学习点的情况下计算该高斯过程在新点的平均值。

在实践中，对于插值和外推，您只需要调用一个预测函数（predict在 R 包 DiceKriging 和 python 中的 scikit-learn 中调用）。

但是，您必须知道高斯过程回归（因为许多回归技术 [需要引用] 在外推时效果非常差。高斯过程均值很快“返回”到您定义的函数均值。然后，外推中的高斯过程回归是只是参数回归，其模型是您为均值函数选择的模型。