0

我是卡尔曼滤波器的新手，并试图用它来预测缺失值以及从 GPS 数据（纬度和经度）中获得平滑的观察结果。

我正在使用 pykalman，我的代码块如下所示：

data = data[['Lat', 'Lon']]
measurements = np.asarray(data, dtype='float')
measurements_masked = np.ma.masked_invalid(measurements)

# initial state of the form  [x0, x0_dot, x1, x1_dot]
initial_state_mean = [
    measurements[0, 0],
    0,
    measurements[0, 1],
    0
]

initial_state_covariance = [[ 10, 0, 0, 0], 
                            [  0, 1, 0, 0],
                            [  0, 0, 1, 0],
                            [  0, 0, 0, 1]]

# transition matrix to estimate new position given old position
transition_matrix = [
    [1, 1, 0, 0],
    [0, 1, 0, 0],
    [0, 0, 1, 1],
    [0, 0, 0, 1]
]

observation_matrix = [
    [1, 0, 0, 0],
    [0, 0, 1, 0]
]

kf = KalmanFilter(
    transition_matrices=transition_matrix,
    observation_matrices=observation_matrix,
    initial_state_mean=initial_state_mean,
)

filtered_state_means = np.zeros((len(measurements), 4))
filtered_state_covariances = np.zeros((len(measurements), 4, 4))

for i in range(len(measurements)):
    if i == 0:
        filtered_state_means[i] = initial_state_mean
        filtered_state_covariances[i] = initial_state_covariance
    else:
        filtered_state_means[i], filtered_state_covariances[i] = (
        kf.filter_update(
            filtered_state_means[i-1],
            filtered_state_covariances[i-1],
            observation = measurements_masked[i])
        )

其中 data 是从中提取纬度和经度的熊猫数据框。

这个逻辑正确吗？另外，我想做的是采用更接近缺失观察的观察来预测缺失值。例如，如果在 10 个样本的数组中，如果缺少第 5、6 和第 7 个观测值，则使用第 4 个样本预测第 5 个、使用第 8 个样本预测第 7 个并通过取第 5 个和第 7 个的平均值来预测第 6 个更有意义.

这种方法有意义吗？如果是，如何使用 pykalman 进行操作？如果不是，在数组中没有很多连续值的情况下，如何更准确地预测缺失值？

4

1 回答 1

2

我认为卡尔曼滤波器非常适合您想要的。下面是一个包含一些虚拟数据的示例，其中我从过滤器中屏蔽（隐藏）了一些样本/测量值。如您所见，KF 在重建中间缺失的 3 个点方面做得很好。KF 将考虑这样一个事实，即更接近特定时间戳的观察与估计该时间戳最相关（通过假设的动态）。

这有点乐观，因为输入数据完全符合 KF 中的假设（物体以恒定速度移动）。请注意，当速度实际发生变化时，KF 也应该能正常工作。我在pykalman此处的库上发布了一个较长的答案：https ://stackoverflow.com/a/43568887/4988601 ，这可能有助于理解 KF 的工作原理。

import numpy as np
import matplotlib.pyplot as plt
from pykalman import KalmanFilter

# Some dummy values, assume we're heading in straightline
# at constant speed
lat_ideal = np.array(range(10))
lon_ideal = np.array(lat_ideal*3.5 + 10)

lat = lat_ideal + np.random.uniform(-0.5, 0.5, 10)
lon = lon_ideal + np.random.uniform(-0.5, 0.5, 10)

# Assing some indexes as missing
measurementMissingIdx = [False, False, False, False, True, True, True, False, False, False]

# Create the starte measurement matrix and mark some of the time-steps
# (rows) as missing (masked)
measurements = np.ma.asarray([lat, lon]).transpose()
measurements[measurementMissingIdx] = np.ma.masked

# Kalman filter settings:
# state vector is [lat, lat_dot, lon, lon_dot]
Transition_Matrix=[[1,1,0,0],[0,1,0,0],[0,0,1,1],[0,0,0,1]]
Observation_Matrix=[[1,0,0,0],[0,0,1,0]]

initial_state_mean = [measurements[0, 0], 0,
                      measurements[0, 1], 0]

kf=KalmanFilter(transition_matrices=Transition_Matrix,
            observation_matrices =Observation_Matrix,
            em_vars=['initial_state_covariance', 'initial_state_mean'
                     'transition_covariance', 'observation_covariance'])

kf.em(measurements, n_iter=5)

# Increase observation co-variance
kf.observation_covariance = kf.observation_covariance*10

(smoothed_state_means, smoothed_state_covariances) = kf.smooth(measurements)

plt.plot(lat_ideal,lon_ideal,'sb', label='ideal values', markerfacecolor='none')
plt.plot(measurements[:,0],measurements[:,1],'og',label='input measurements', markerfacecolor='none')
plt.plot(smoothed_state_means[:,0],smoothed_state_means[:,2],'xr',label='kalman output')

plt.xlabel("Latitude")
plt.ylabel("Longitude")
legend = plt.legend(loc=2)
plt.title("Constant Velocity Kalman Filter")
plt.show()

这会产生下图：

卡尔曼滤波器的输出

于 2018-11-20T21:24:30.947 回答