01Overall Concept
ไอเดียหลัก — State Space Model แยก transition equation ของ latent state ออกจาก observation equation ของค่าที่วัด แล้วใช้ Kalman filtering และ smoothing อัปเดตการกระจายของ state ตามเวลา
ลองนึกภาพว่า — เหมือนติดตามตำแหน่งรถจริงที่มองไม่เห็นจาก GPS ซึ่งมี noise และแบบจำลองการเคลื่อนที่
ตัวอย่างการนำไปใช้ — ติดตามเซนเซอร์ แยก trend/seasonality และพยากรณ์ระบบพลวัต
02อธิบายภาษาคนเข้าใจง่ายๆ
State Space Model เริ่มจากคำถามง่าย ๆ ว่า อธิบายสัญญาณด้วยสถานะซ่อนที่เคลื่อนตามสมการระบบ วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ
เหมือนติดตามตำแหน่งรถจริงที่มองไม่เห็นจาก GPS ซึ่งมี noise และแบบจำลองการเคลื่อนที่ ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน
State Space Model แยก transition equation ของ latent state ออกจาก observation equation ของค่าที่วัด แล้วใช้ Kalman filtering และ smoothing อัปเดตการกระจายของ state ตามเวลา พารามิเตอร์หลักใน Playground คือ สัดส่วน noise ของสัญญาณ เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ
ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ ลำดับ observation พร้อมเวลาและตัวแปรภายนอกถ้ามี · ตัวอย่างขนาดเล็กที่ทำซ้ำได้ เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก
งานที่เหมาะ เช่น ติดตามเซนเซอร์ แยก trend/seasonality และพยากรณ์ระบบพลวัต ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า
ภาพจำ: filtered/smoothed states, likelihood และ forecast · Playground อัปเดตเมื่อปรับ สัดส่วน noise ของสัญญาณ พร้อมจำข้อจำกัดสำคัญว่า โครงสร้าง state ที่กำหนดผิดทำให้ส่วนประกอบตีความผิด และโมเดลเชิงเส้น Gaussian ไม่ครอบคลุมทุกระบบ
03How it works
ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ
เตรียมข้อมูลให้ตรงโจทย์
ลำดับ observation พร้อมเวลาและตัวแปรภายนอกถ้ามี ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ signal_noise เพื่อกำหนดว่าสถานะซ่อนเปลี่ยนได้เร็วเพียงใดเทียบกับ measurement noise และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
ทำนาย state และ covariance จาก transition จากนั้น เทียบ observation กับค่าคาดเป็น innovation Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
ใช้ Kalman gain แก้ state และทำ smoothing ย้อนหลัง ผลที่ได้คือ filtered/smoothed states, likelihood และ forecast ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ signal_noise ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า โครงสร้าง state ที่กำหนดผิดทำให้ส่วนประกอบตีความผิด และโมเดลเชิงเส้น Gaussian ไม่ครอบคลุมทุกระบบ
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
signal_noiselearning_ratevalidationข้อมูลที่รับเข้ามา
ลำดับ observation พร้อมเวลาและตัวแปรภายนอกถ้ามี
ลำดับ observation พร้อมเวลาและตัวแปรภายนอกถ้ามี · ตัวอย่างขนาดเล็กที่ทำซ้ำได้พารามิเตอร์ที่ใช้
- signal_noise
- กำหนดว่าสถานะซ่อนเปลี่ยนได้เร็วเพียงใดเทียบกับ measurement noise
- learning_rate
- ควบคุมขนาดการอัปเดตในแต่ละรอบเมื่อโมเดลเรียนด้วย gradient
- validation
- กำหนดข้อมูลที่กันไว้เลือกค่าและตรวจการใช้งานกับตัวอย่างใหม่
ผลลัพธ์ที่ได้
filtered/smoothed states, likelihood และ forecast
filtered/smoothed states, likelihood และ forecast · Playground อัปเดตเมื่อปรับ สัดส่วน noise ของสัญญาณคำนวณทีละขั้น
- 01
ทำนาย state และ covariance จาก transition
- 02
เทียบ observation กับค่าคาดเป็น innovation
- 03
ใช้ Kalman gain แก้ state และทำ smoothing ย้อนหลัง
ควรรู้อีกนิด — โครงสร้าง state ที่กำหนดผิดทำให้ส่วนประกอบตีความผิด และโมเดลเชิงเส้น Gaussian ไม่ครอบคลุมทุกระบบ
04Make it yours
# ติดตั้ง: pip install numpy statsmodels# ดาวน์โหลด sample.csv จากหน้านี้ แล้ววางไว้ข้างสคริปต์import numpy as npdata = np.genfromtxt("state-space-model-sample.csv", delimiter=",", skip_header=1)from statsmodels.tsa.statespace.structural import UnobservedComponentsy = data[:, 1]model = UnobservedComponents(y, level="local linear trend", irregular=True).fit(disp=False)print("Smoothed states:\n", model.smoothed_state[:, -5:])print("Forecast:", model.forecast(10))โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด
05Learn by playing
สัดส่วน process noise ทำให้ state ตามข้อมูลเร็วแค่ไหน?
เส้นจางคือ observation เส้นเข้มคือ filtered latent state และแถบคือ uncertainty
state เคลื่อนไหวตาม observation เร็วขึ้นและเรียบน้อยลง
มองความล่าช้าของ state เทียบกับความกว้าง uncertainty
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ statsmodels จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง