AI 词汇表
人工智能完整词典
贝叶斯平滑
一种利用过去和未来所有观测值对时间序列隐藏状态进行后验估计的技术。与仅使用过去观测值的滤波不同，平滑通过利用序列的完整信息提供更精确的估计。
贝叶斯状态空间模型
一种概率框架，将时间序列建模为在状态空间中演化的不可观测潜在过程，观测值依赖于这些状态。贝叶斯方法通过量化不确定性，同时推断模型参数和隐藏状态。
时间序列马尔可夫链蒙特卡罗方法
适用于贝叶斯时间序列模型推断的采样技术，其中马尔可夫链探索参数和隐藏状态空间。当解析解不可行时，它们能够近似复杂的后验分布。
贝叶斯粒子滤波器
针对非线性和非高斯模型的顺序滤波算法，使用一组加权粒子来表示状态的概率分布。特别适用于卡尔曼滤波器高斯近似无效的贝叶斯模型。
预测分布预测
一种贝叶斯方法，预测不是单一数值而是包含参数和噪声不确定性的完整概率分布。它能够为未来值生成可信区间和概率场景。
时间高斯过程
一种非参数贝叶斯方法，其中时间序列的底层函数被建模为具有时间协方差函数的高斯过程。在提供预测解析不确定性的同时，具有捕捉复杂模式的显著灵活性。
时间序列变分推断
贝叶斯时间序列模型中后验分布的确定性近似方法，通过优化简单分布族来最小化与真实分布的差异。对于大型数据集，它是比MCMC更快的替代方案。
贝叶斯状态转换模型
一类模型，其中数据生成过程的参数可能根据隐藏马尔可夫链发生变化，通过贝叶斯推断来估计状态及其概率。特别适用于呈现异质行为或结构断裂的时间序列。
Rauch-Tung-Striebel (RTS) 贝叶斯滤波器
针对线性高斯模型的最优平滑算法，对卡尔曼滤波估计进行反向传递以整合未来信息。在贝叶斯框架下，它提供了给定所有观测值时隐藏状态的确切后验分布。
贝叶斯随机波动率模型
一种贝叶斯规范，其中时间序列噪声的方差根据潜在随机过程演化，通常通过AR(1)建模。贝叶斯方法允许对过去和未来波动率进行严格推断，在金融和计量经济学中至关重要。
贝叶斯模型平均预测 (BMA)
使用贝叶斯后验概率作为权重组合多个预测模型的方法，同时整合了模型不确定性和参数不确定性。通过利用互补优势，它通常优于单个模型。
贝叶斯持续时间模型
用于建模时间序列中事件间隔时间的贝叶斯方法，使用具有随机参数的分布（如威布尔分布或对数逻辑分布）。它允许纳入协变量并量化未来发生时间的不确定性。
在线贝叶斯推断
顺序推断范式，其中后验分布随着新观测值的到达而更新，无需重新分析所有过去数据。对于实时应用（如异常检测或状态跟踪）至关重要。