Trends Filtering，趋势滤波

2021-09-08 本文已影响0人 poteman

HP趋势滤波：
$\min \frac{1}{2}\|y-x\|_{2}^{2}+\lambda\|D x\|_{2}^{2}$
其中，y是真实的时间序列，x是估计的时间序列，D矩阵表示如下：

D矩阵
L1趋势滤波：

\min \frac{1}{2}\|y-x\|_{2}^{2}+\lambda\|D x\|_{1}

区别在于第二项，从二范数改成了一范数。
代码实现，利用cvxpy包：

solver = cvxpy.CVXOPT
reg_norm = 2
x = cvxpy.Variable(shape=n) 
# x is the filtered trend that we initialize
objective = cvxpy.Minimize(0.5 * cvxpy.sum_squares(y-x) 
              + lambda_value * cvxpy.norm(D@x, reg_norm))
# Note: D@x is syntax for matrix multiplication
problem = cvxpy.Problem(objective)
problem.solve(solver=solver, verbose=False)

HP趋势滤波

L1趋势滤波
对比可以发现，L1趋势滤波更能保持原有数据的极值点。
【参考资料】Introduction to Trend Filtering with Applications in Python

Trends Filtering，趋势滤波

猜你喜欢

热点阅读