Использование pykalman для оперативных данных

Все примеры, которые я видел в документации pykalman, работают с заданным набором данных, я блуждал, как это может быть используется путем подачи одного наблюдения в то время, принимая во внимание временную дельту.

Из документации:

from pykalman import KalmanFilter
import numpy as np
kf = KalmanFilter(transition_matrices = [[1, 1], [0, 1]], observation_matrices = [[0.1, 0.5], [-0.3, 0.0]])
measurements = np.asarray([[1,0], [0,0], [0,1]])  # 3 observations
kf = kf.em(measurements, n_iter=5)
(filtered_state_means, filtered_state_covariances) = kf.filter(measurements)
(smoothed_state_means, smoothed_state_covariances) = kf.smooth(measurements)

person Cesar    schedule 23.03.2018    source источник
comment
Я не знаком с этой библиотекой (и лишь смутно знаком с фильтрацией Калмана), но filter_update кажется, соответствует тому, что вам нужно...   -  person jdehesa    schedule 23.03.2018
comment
Я разместил свой код с pykalman и рабочими данными здесь stackoverflow.com /вопросы/47599886/. Я думаю, это может помочь вам. Данные можно скачать отсюда drive.google.com/open?id=1YIAr8FG_t2RZvQvd17KlQrDvTwtz9vDv   -  person Anton    schedule 27.03.2018
comment
Отвечая на другой вопрос о библиотеке pykalman, я показал, как фильтр, обученный на историческом наборе данных, можно затем использовать в Интернете. Возможно, это полезно для вас: stackoverflow.com/questions/43377626/   -  person kabdulla    schedule 10.11.2018