使用卡爾曼濾波平滑時間序列，提高時序預測的準確率

在時間序列預測中，臟亂數據的存在會影響最終的預測結果。這是肯定的，尤其是在這個領域，因為時間依賴性在處理時間序列時起著至關重要的作用。

噪音或異常值必須按照特別的解決方案小心處理。在這種情況下，tsmoothie包可以幫助我們節省大量時間來準備用于分析的時間序列。Tsmoothie是一個用于時間序列平滑和離群值檢測的Python庫，它可以以向量化的方式處理多個序列。它很有用，因為它可以提供我們需要的預處理步驟，如去噪或離群值去除，保留原始數據中的時間模式。

在這篇文章中，我們使用這些小工具來改進預測任務。更準確地說，我們試圖預測太陽能電池板的日發電量。最后，我們期望能從去噪過程中獲益，并產生比未進行預處理的情況更好的預測。

數據

Kaggle上有一個真實的數據集。這些數據存儲了安裝在私人住宅屋頂上的太陽能電池板每天的發電量。數據記錄自2011年，以時間序列的形式呈現3個不同的來源:

· 房子每天的煤氣消耗量。

· 房屋的日常耗電量。當值為負值時，表示太陽能超過當地的電力消耗。

· 功率表在直流到交流轉換器上的日值。這是當前累積的太陽能。我們不需要累積值，相反，我們需要絕對的日值，因此，我們做了一個簡單的區分。這是我們要預測的目標。

正如我們可以從原始系列的情節中注意到的，有很多噪音存在。這是正常的數據登記的傳感器。如果我們的數據源受到外部氣象條件的影響，或者傳感器質量不佳，位置不理想，情況會更糟。

幸運的是，我們有知識和工具來實現我們的預測任務的良好結果。

時間序列平滑

我們工作流程中的第一步是時間序列預處理。我們的戰略非常直觀和有效。我們取目標時間序列(發電量)，并用一種奇妙的工具使其平滑:卡爾曼濾波器，這是每個數據科學家都必須知道的。

一般來說，在時間序列任務中，使用卡爾曼濾波的最大優點是可以使用狀態空間形式來表示未觀察到的組件模型。以狀態空間形式表示時間序列模型的范圍是可用性的一套通用算法(包括卡爾曼濾波)，用于計算高斯似然，可以在數值上最大化，得到模型參數的最大似然估計。著名的軟件使用這種表示來匹配像ARIMA這樣的模型并非偶然。在我們的特殊情況下，我們使用卡爾曼濾波器和狀態空間表示來構建一個未觀察組件模型。

到目前為止所解釋的一切聽起來可能很棘手，但我想向您保證……Tsmoothie可以輕松地構建未觀察到的組件模型，以非常簡單和有效的方式操作定制的Kalman平滑。在這個階段，我們可以釋放我們的想象力，從水平、趨勢、季節性、長季節性中發現哪些成分有助于創建我們正在觀察的時間序列。365天的水平和漫長的季節對我們來說很好。我們只需為每個組件假設添加一個"置信度"，就完成了。