使用高斯过程回归或克里金法进行外推

Question

有没有办法用克里金法或高斯过程回归来估算外推？

高斯过程非常适用于散乱数据的插值;但是，我需要及时推断变量的时间序列。

我可以推断x(n+1) 使用x变量x_i , i = n, n-1 ,....

的历史记录

flag

例如，在python中：scikit-learn.org/stable/modules/gaussian_process.html

Answer 1

外推在理论上和实践上以相同的方式起作用。

理论上，当您学习高斯过程回归模型时，您已经对数据建模了高斯过程，您选择了它的均值函数，其协方差函数并估计了它们的参数。要进行插值（或外推），您需要知道学习点，在新点计算高斯过程的均值。

实际上，对于插值和外推，你只需调用一个预测函数（在R包DiceKriging中调用predict，在python中调用scikit-learn）。

然而，你必须知道高斯过程回归（因为许多回归技术[引证需要]在外推中工作得非常糟糕。高斯过程意味着快速“返回”到你定义的函数均值。然后，高斯过程回归在外推中只是参数回归，其模型是您为平均函数选择的模型。