【数学建模】（时间序列模型）动态线性模型 (DLM)

【数学建模】（时间序列模型）动态线性模型 (DLM)

在时间序列分析中，除了大家耳熟能详的 ARIMA 模型和近年来常用的深度学习模型（如 LSTM、Transformer），还有一个常见的流派------状态空间模型（State Space Models, SSM） 。而在 SSM 家族中，动态线性模型（Dynamic Linear Models, DLMs） 是其典型之一。今天我们就来看看它是如何工作的，以及如何在实际项目中使用它。

文章目录

• 【数学建模】（时间序列模型）动态线性模型 (DLM)
• • [一、 什么是动态线性模型 (DLM)？](#一、 什么是动态线性模型 (DLM)？)
  • [二、 DLM 的数学核心：两大方程](#二、 DLM 的数学核心：两大方程)
  • • [1. 观测方程 (Observation Equation)](#1. 观测方程 (Observation Equation))
    • [2. 状态方程 (State/System Equation)](#2. 状态方程 (State/System Equation))
  • [三、 DLM 的三步走：滤波、平滑与预测](#三、 DLM 的三步走：滤波、平滑与预测)
  • [四、 ARIMA vs DLM：怎么选？](#四、 ARIMA vs DLM：怎么选？)
  • [五、 Python 实战：使用 `pydlm` 构建动态线性模型](#五、 Python 实战：使用 pydlm 构建动态线性模型)
  • • [1. 安装依赖](#1. 安装依赖)
    • [2. 代码实现](#2. 代码实现)
    • 代码解析：
  • [六、 总结](#六、 总结)

一、 什么是动态线性模型 (DLM)？

动态线性模型 是一种基于贝叶斯框架和状态空间的时间序列建模方法。它的核心思想是：我们观察到的数据（时间序列）是由底层某些看不见的"隐藏状态"所驱动的，并且这些隐藏状态会随着时间动态演变。

其中"动态"的意思是，DLM 认为模型的参数不是固定不变的，而是随着时间的推移而更新的。这使得 DLM 在处理非平稳时间序列、结构性突变（Structural breaks）以及缺失值时表现得异常出色。

• DLM 的两大核心优势：

1. 可解释性极强： 它可以将时间序列分解为明确的成分，如趋势（Trend）、季节性（Seasonality）、自回归（AR）以及外部回归变量。
2. 在线学习能力： 借助卡尔曼滤波（Kalman Filter），DLM 可以在新数据到来时实时更新对状态的估计，非常适合流数据处理。

---

二、 DLM 的数学核心：两大方程

要理解 DLM，必须掌握它的数学表达式。一个标准的单变量正态 DLM 由两个方程构成：观测方程 和状态方程。

1. 观测方程 (Observation Equation)

观测方程描述了我们看到的观测值 Y t Y_t Yt 是如何由隐藏的状态向量 θ t \theta_t θt 产生的：

Y t = F t θ t + v t , v t ∼ N ( 0 , V t ) Y_t = F_t \theta_t + v_t, \quad v_t \sim N(0, V_t) Yt=Ftθt+vt,vt∼N(0,Vt)

• Y t Y_t Yt：在时间 t t t 的标量观测值。
• F t F_t Ft：已知的观测矩阵（设计矩阵），它将隐藏状态映射到观测空间。
• θ t \theta_t θt：在时间 t t t 的 p p p 维隐藏状态向量（例如，当前的趋势值、季节因子等）。
• v t v_t vt：观测噪声，通常假设为均值为 0 0 0，方差为 V t V_t Vt 的正态分布。

2. 状态方程 (State/System Equation)

状态方程（或称系统方程）描述了隐藏状态 θ t \theta_t θt 是如何随着时间从 t − 1 t-1 t−1 演变到 t t t 的：

θ t = G t θ t − 1 + w t , w t ∼ N ( 0 , W t ) \theta_t = G_t \theta_{t-1} + w_t, \quad w_t \sim N(0, W_t) θt=Gtθt−1+wt,wt∼N(0,Wt)

• G t G_t Gt：已知的状态转移矩阵，描述系统随时间的演化规律。
• w t w_t wt：状态噪声（系统误差），假设为均值为 0 0 0，协方差矩阵为 W t W_t Wt 的多变量正态分布。

由这个状态方程可以发现，它认为状态转移是具有某种线性的特征的，即其名称中"线性"由来。

💡 核心逻辑： 我们的目标是根据一系列的不完美观测值 Y 1 : t Y_{1:t} Y1:t，去反推（Inference）最有可能的真实隐藏状态 θ t \theta_t θt。这个反推的过程，就是大名鼎鼎的卡尔曼滤波 (Kalman Filtering)。

---

三、 DLM 的三步走：滤波、平滑与预测

在 DLM 的应用中，我们通常需要解决以下三个基本问题：

1. 滤波 (Filtering)： 给定直到当前时刻 t t t 的所有观测数据 Y 1 : t Y_{1:t} Y1:t，估计当前状态 θ t \theta_t θt。这主要依赖前向的卡尔曼滤波算法。
2. 平滑 (Smoothing)： 给定整个时间序列（直到未来的大 T T T 时刻）的数据 Y 1 : T Y_{1:T} Y1:T，回头去重新估计历史时刻 t t t 的状态 θ t \theta_t θt。这可以利用未来的信息修正过去的估计，通常使用后向平滑算法（如 Rauch-Tung-Striebel 平滑器）。
3. 预测 (Forecasting)： 给定直到 t t t 时刻的数据 Y 1 : t Y_{1:t} Y1:t，预测未来某个时刻 t + k t+k t+k 的观测值 Y t + k Y_{t+k} Yt+k。

---

四、 ARIMA vs DLM：怎么选？

很多朋友会问，有了经典的 ARIMA，为什么还要学 DLM？我们来做个简单对比：

特性	ARIMA 模型	动态线性模型 (DLM)
假设	依赖平稳性假设（需差分）	无需平稳性假设
参数更新	参数固定（批量拟合）	参数动态更新（可在线学习）
缺失值处理	难以直接处理，需插值	天然支持，视为无穷大的观测方差
可解释性	弱（黑盒参数）	强（可直接拆解趋势、季节性）
先验知识	无法直接引入	基于贝叶斯框架，可方便引入先验

结论： 如果你的数据比较平稳，只需做简单的黑盒预测，ARIMA 足够了；但如果你的数据存在突变、有很多缺失值，或者你需要向业务部门解释"趋势到底上升了多少，季节性影响占多大比例"，那么 DLM 是首选。

P.S. 关于 ARIMA 模型的介绍，可以参见我之前写的这一篇文章：【数学建模】（时间序列模型）ARIMA时间序列模型 。

---

五、 Python 实战：使用 pydlm 构建动态线性模型

接下来，我们用 Python 中的 pydlm 库来实战演示。这个库极大地简化了 DLM 的构建过程。

1. 安装依赖

pip install pydlm matplotlib numpy

2. 代码实现

我们将生成一个包含线性趋势、周期为 7 的季节性，以及一些随机噪声的时间序列，并用 DLM 将它们分离出来。

import numpy as np
import matplotlib.pyplot as plt
from pydlm import dlm, trend, seasonality

# ==========================================
# 1. 生成模拟数据
# ==========================================
np.random.seed(42)
n = 100
# 线性趋势 + 周期为7的季节性 + 随机噪声
base_trend = np.linspace(0, 5, n)
base_seasonality = np.sin(np.arange(n) * (2 * np.pi / 7)) * 2
noise = np.random.normal(0, 0.5, n)

data = base_trend + base_seasonality + noise

# ==========================================
# 2. 构建 DLM 模型
# ==========================================
# 初始化 DLM
my_dlm = dlm(data)

# 添加组件：
# degree=1 表示线性趋势（包含截距和斜率）
# discount 扮演了方差 W_t 的角色，取值在0-1之间。越接近1说明状态越稳定，越小说明系统越灵活易变。
my_dlm = my_dlm + trend(degree=1, discount=0.98, name='linear_trend')

# 添加周期为7的季节性组件
my_dlm = my_dlm + seasonality(period=7, discount=0.99, name='weekly_seasonality')

# ==========================================
# 3. 拟合与预测
# ==========================================
# 进行前向滤波和后向平滑
my_dlm.fit()

# ==========================================
# 4. 结果可视化
# ==========================================
# pydlm 内置了非常方便的画图方法
# 绘制原始数据与拟合/预测曲线
my_dlm.plot()

# 绘制拆解出来的各个组件 (趋势、季节性)
my_dlm.turnOff('data points')
my_dlm.plot('linear_trend')
my_dlm.plot('weekly_seasonality')

代码解析：

• trend(degree=1)：代表我们在状态向量中加入了局部的线性趋势。
• seasonality(period=7)：代表加入了周期为 7 的傅里叶波。
• discount (折扣因子)：这是 pydlm 中精妙的设计，它代替了繁琐的协方差矩阵 W t W_t Wt 的设定。通常设定在 0.9 0.9 0.9 到 1.0 1.0 1.0 之间，折扣因子越小，模型对近期数据的变化越敏感，越能捕捉突变；但也更容易受到噪声干扰。

---

六、 总结

动态线性模型 (DLM) 提供了一个数学框架来理解时间序列，它通过观测方程和状态方程，将复杂的序列分解为一个个具有明确意义的组件（隐藏状态）。它在做金融风控、交通流量预测、库存管理等对可解释性和鲁棒性要求极高的任务时会很有帮助。

---

如果这篇文章对你有帮助，欢迎点赞、收藏、关注！有任何问题欢迎在评论区讨论。