Pykalman filter.update() 批处理 vs 循环

如何解决Pykalman filter.update() 批处理 vs 循环

我已经构建了一个卡尔曼滤波器函数，它基本上执行以下操作：

import numpy as np
from pykalman import KalmanFilter

x_is = np.random.randn(100) #In sample data

x_oos = np.random.randn(50) #Out of sample data

kf = KalmanFilter(transition_matrices = [1],observation_matrices = [1],initial_state_mean = 0,initial_state_covariance = 1,observation_covariance=1,transition_covariance=.01)

state_is_means,state_is_covs = kf.filter(x_is)

ism,iscovs = state_is_means.flatten(),state_is_covs.flatten()

因此，在样本中使用，过滤器返回状态的均值和协方差（样本中）。

现在：假设我有 x_oos 作为样本数据外。我想使用估计的卡尔曼滤波器，使用 filter_update() 更新它。

我确信，在循环中使用函数 filter_update()，我会得到我想要的实际结果（状态均值和 cov 的逐步估计，在每个时间步更新）。

>

但是，我想对一批数据使用 filter_update()，这可能会更快，而且无论如何都会节省代码。但是当我这样做时：

oos1m,oos1c = kf.filter_update(ism[-1],iscovs[-1],x_oos)
oos1m,oos1c = oos1m.flatten(),oos1c.flatten()

第一个变量（状态均值）有多个值，但协方差只有一个值。

此外，使用以下循环测试：

#Option2: loop
kf = KalmanFilter(transition_matrices = [1],state_is_covs = kf.filter(x_is) #Repeating to re-obtain the same KF before update

ism2,iscovs2 = state_is_means.flatten(),state_is_covs.flatten() #Same as ism,iscov

oos2m,oos2cov = np.asarray(state_oos_means).flatten(),np.asarray(state_oos_means.copy().flatten())
prevm,prevc = ism2[-1],ism2[-1]

for idx in range(len(x_oos)):
    
    oos2m[idx],oos2cov[idx] = kf.filter_update(prevm,prevc,x_oos[idx])
    
    prevm,prevc = oos2m[idx],oos2cov[idx]

oos2m 与 oos1m 的结果不同（第一个值除外）。

我错过了什么？我认为 oos1m 不知何故是错误的（做一些不同于递归预测的事情）。我怀疑 filter_update() 期望我在观察中的输入变量是单个值，并且如果您提供更多值，它会（意外地）对所有其他值执行某些操作。