시계열 분석 칼만 필터 개요

   칼만 필터 Kalman filter는 충분히 성숙한 방법이다. 시계열로 부터 새로운 정보를 결합하는 데 사용되고 과거에 알려진 내부 상태 추정 정보를 지능적으로 결합해 준다. 칼만 필터의 최초 사용 사례로는 아폴로 11호 apollo 11 mission 이 있다. 

아폴로 칼만필터

NASA 엔지니어들은 기내의 계산 자원만으로는 매우 메모리 집약적인 위치추정 기법 사용이 불가능하다는 판단을 내렸다.  이 상황에서 킬만 필터 기법이 대신 선택되었다. 계산이 비교적 간단하고,  미래의 예측이나 현재를 추정하는 데 과거 데이터의 저장이 필요없다는 것은 칼만 필터의 장점이다. 

시계열 분석 상태공간 모델의 장단점

   상태공간 모델은 확률적이거나 결정론적인 애플리케이션 모두 사용할 수 있다.  또한 연속적이거나 이산적으로 샘플링된 데이터 모두에도 적용 될 수 있다. 

이 사실만으로도 상태공간 모델의 활용도와 상당한 유연성을 어느 정도 예측 할 수 있다.  특히 장점과 단점은 상태공간 모델이 가진 유연성에 의해 생긴다. 

시계열 분석 시계열의 상태 공간 모델

상태 공간 모델은 '실세계'에서 얻는 동기에 영향을 받는다.  추정시 측정 오류를 고려하는 방법, 사전 지식이나 믿음을 추정에 주입하는 방법처럼 실제 공학 문제에서 발생 있는 문제 들을 해결 한다.