状态空间模型：工作原理与应用场景

想象一艘在浓雾中航行的船。它的 GPS 含有噪声，洋流未知，且无法直接测量其精确位置，只能通过传感器读数近似推断。状态空间模型正是为这种问题而生：您关心的量是隐藏的，而您能获得的只是它的不完美测量。

本文将介绍状态空间模型的结构，如何通过滤波与平滑估计隐藏状态，卡尔曼滤波在其中的位置，以及如何在 Python 和 R 中实现这些模型。

什么是状态空间模型？

状态空间模型是一个数学框架，用于描述随时间变化且无法直接观测的系统。核心有两个量：状态，即在任一时刻真实刻画系统的底层信息；以及观测，即您实际获得的带噪声、间接的测量。

模型规定两件事：隐藏状态如何从一个时间步演化到下一个，以及隐藏状态如何生成您看到的观测。这种分离使该框架具备通用性。它广泛出现于信号处理、计量经济学、控制系统与机器学习中，往往人们没有意识到自己都在同一形式结构内工作。

状态空间模型如何工作

核心逻辑在每个时间步遵循一个简单序列：

前一状态 → 当前状态 → 观测

系统从之前的隐藏状态转移到新的状态。该转移可能包含随机性，因为真实系统并非完全可预测。随后，新状态会生成一个可观测的测量，该测量自带噪声。您从未直接看到状态，只能看到它不完美地产生的结果。

您能做的是利用每一个新观测来更新对隐藏状态的最佳估计。这就是推断问题，也是围绕状态空间模型的大多数算法机制要解决的事情。

隐藏状态随时间生成带噪声的观测。图片由作者提供。

状态方程与观测方程

模型的结构归结为两个方程：一个描述状态如何运动，一个描述您能测到什么。

状态方程

状态方程描述隐藏状态如何演化。标量形式为：

这里，zₜ 是当前隐藏状态，a 表示转移动力学（前一状态延续的强度），而 wₜ 是过程噪声——系统运动中的随机性。在多变量系统的矩阵形式下，a 变为转移矩阵，但思想完全相同。

观测方程

观测方程将隐藏状态与您测得的量相连：

yₜ 是观测到的测量值，c 定义观测关系，vₜ 是测量噪声。在考虑一般的矩阵形式之前，先从这样的标量版本入手。矩阵带来的是通用性，而非新思想。

一个简单的状态空间模型示例

想一辆在道路上行驶的汽车。其真实位置与速度是隐藏状态，您无法直接观测。您拥有的是带噪声的 GPS 读数。状态方程刻画位置与速度在时间步之间如何变化（汽车大致以相同速度前进）。观测方程将真实位置与可能有数米误差的 GPS 读数关联起来。

一个好的可视化会显示三条线：真实位置（平滑）、GPS 读数（围绕真值分散）以及模型的估计位置（接近真值，较原始 GPS 更平滑）。获得第三条线正是模型的全部工作。

如何估计状态

定义模型只是问题的一半，您还需要从现有观测中推断隐藏状态。三项任务覆盖了这一空间：

滤波仅使用截至当前的观测来估计当前状态——实时推断，适用于跟踪与控制。平滑利用给定时点前后全部观测来回溯修正估计——通常更准确，但需要完整序列。预测在观测到来之前向前外推估计未来状态。

大多数应用使用滤波。平滑适用于回顾性分析，当准确性比速度更重要时会用到。

卡尔曼滤波与状态空间模型

卡尔曼滤波是线性高斯状态空间模型中的滤波算法。需要精确区分：状态空间模型是模型本身；卡尔曼滤波是适用于其中某一类模型的推断方法。

该滤波以两个交替步骤运行。在预测步骤中，它使用状态方程将当前估计向前投射，同时给出该估计的不确定度量。在更新步骤中，新观测到来并修正估计。修正幅度取决于预测与测量各自的不确定性：若模型预测更可靠，观测的影响更小；若 GPS 信号干净而模型不确定，观测将占主导。这种按不确定性加权的融合让卡尔曼滤波在实践中奏效。

对于非线性或非高斯情形存在扩展：扩展卡尔曼滤波对动力学做线性化，无迹卡尔曼滤波采用更聪明的近似，而粒子滤波通过采样处理完全通用的情形。这些属于另一个话题。

状态空间模型的类型

根据您对动力学与噪声所愿意作出的假设不同，该框架涵盖多种设置。

线性高斯状态空间模型是经典设置：线性的转移与观测方程，高斯噪声。可直接应用卡尔曼滤波，且精确推断可行。

非线性状态空间模型在状态转移或观测关系不线性时出现——如单摆，或价格效应逐渐减弱的模型。此时不再存在精确推断。

非高斯状态空间模型放弃噪声服从正态分布的假设。计数数据、二元结果与重尾过程皆属此类。

状态空间模型与相关时间序列模型的对比

有必要明确比较几点，因为它们之间的边界比初看时更模糊。

状态空间模型 vs. ARIMA

ARIMA 直接对观测值及其过去误差建模，不引入任何隐藏状态。状态空间模型则显式引入潜在状态。话虽如此，ARIMA 可以改写为状态空间形式——因此两者并非如初看那般泾渭分明，软件在拟合 ARIMA 时往往也会在内部使用状态空间表示。

状态空间模型 vs. 隐马尔可夫模型

二者都包含隐藏状态。经典 HMM 使用离散潜在状态（系统处于k种模式之一），而大多数状态空间模型采用连续状态。用于语音识别时，离散模式更合理；用于跟踪物体运动时，连续状态更自然。

状态空间模型 vs. 结构性时间序列模型

结构性时间序列模型（将序列分解为趋势、季节性与不规则成分）通常是以状态空间模型来表述的，而不是与其竞争。它们是该框架的特定用例。

Python 与 R 中的状态空间模型

两种语言的流程类似——定义模型、拟合模型，并提取隐藏状态的估计。

Python 中的状态空间模型

statsmodels 库为拟合状态空间模型提供了简洁接口。以下是在一些时间序列数据上拟合局部水平模型（最简单的结构性模型，状态为随机游走，观测含噪声）：

import statsmodels.api as sm

# Fit a local level (random walk plus noise) model
model = sm.tsa.UnobservedComponents(time_series, level='local level')
result = model.fit(disp=False)

# Filtered state estimates (the hidden level at each time step)
print(result.filtered_state[0])

# Forecast the next 10 periods
forecast = result.forecast(10)技术支持

滤波后的状态为您提供模型在各时点对隐藏水平的最佳估计。这才是您最关心的输出，而非参数本身。

R 中的状态空间模型

在 R 中，KFAS 包可处理高斯状态空间模型，如果您经常在这一领域工作，值得掌握。流程与 Python 相仿：定义模型对象、拟合，并提取平滑或滤波后的状态。解读隐藏状态估计，而不仅仅是拟合统计量。

library(KFAS)

# Fit a local level (random walk plus noise) model
model <- SSModel(time_series ~ SSMtrend(1, Q = NA), H = NA)
fit <- fitSSM(model, inits = c(log(1), log(1)))
out <- KFS(fit$model)

# Filtered state estimates (the hidden level at each time step)
out$att

# Forecast the next 10 periods
predict(fit$model, n.ahead = 10)技术支持

状态空间模型的优势与局限

与大多数建模框架相似，其优劣同源：您必须事先承诺一种结构。

优势： 它们不是掩盖隐藏过程，而是将其显式表示；它们天然处理随时间变化的系统；测量不确定性内生于模型，而非事后考虑；同一框架无需改变模型结构即可支持滤波、平滑与预测。

局限： 指定模型可能很难。您需要决定隐藏状态意味着什么以及如何演化，这需要真正的领域判断。对于非线性或非高斯系统，推断成本会很高。而且如果您对动力学或噪声的假设有误，估计结果也会以不总是显而易见的方式出错。

结语

状态空间模型描述两件事：不可观测的状态如何随时间演化，以及该状态如何生成您可测得的观测。这分别是状态方程与观测方程。其他内容（卡尔曼滤波、平滑、预测）都是关于如何根据数据推断隐藏状态。

我认为该框架的价值在于，它迫使您明确自己不知道的部分。与直接对观测建模（如 ARIMA）不同，您必须承诺一个关于底层过程的故事。这是一种约束，也是一种澄清。一旦写下您认为的隐藏状态及其运动方式，推断问题就变成了机械过程。最难的部分早已在建模时完成。

如果您来自经典时间序列方法领域，值得把状态空间模型作为独立方法来理解，而非仅视作已知方法的推广。我们的Python 时间序列课程涵盖更广泛的工具包；若您的下一站是隐马尔可夫模型或卡尔曼滤波，这里的概念基础可直接迁移。