文章插图
总结在这篇文章中，我们利用了预测场景中的时间序列平滑 。应用卡尔曼滤波平滑使得原始数据和减少噪声的存在 。这种选择在预测精度方面被证明是有利的 。我还想指出卡尔曼滤波在这个应用程序中的威力，以及它在构建未观察组件模型时是一个很好的工具的能力 。
本文代码：github/cerlymarco/MEDIUM_NoteBook
作者：Marco Cerliani
deephub翻译组
推荐阅读
![[乐居网]下半年市场或将会回归常态，疫情对陕西房产市场冲击较大](https://imgcdn.toutiaoyule.com/20200425/20200425074028636576a_t.jpeg)
- 使用Python预测缺失值
- 使用腹肌轮能减肥吗?
- 安装使用Hoppscotch构建API请求访问与测试
- 一人下载全网都卡？直播断断续续怎么办？华为防火墙限速帮你忙
- 指定扫描目标和主机发现 Nmap使用详解
- 你知道黑客最喜欢使用的编程语言吗
- 汇编语言的使用领域
- 使用sklearn中的贝叶斯算法建立药品分类任务
- 使用Photoshop智能对象调整图像大小而不会丢失质量
- 长期使用铝制的食品容器会导致哪种疾病？