什么是 高斯过程状态空间模型（GPSSM）？
高斯过程状态空间模型（GPSSM）是一种概率动力学模型，它为未知的状态转移函数或观测函数设置高斯过程先验，并从序列数据中推断潜在状态轨迹。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
为未知动力学设置 GP 先验
常见模型写作 x_t = f(x_(t-1), u_t) + q_t 与 y_t = g(x_t) + r_t。状态转移 f 使用 GP 先验；观测映射 g 可以已知、参数化，或同样使用 GP。过程噪声 q_t、测量噪声 r_t 与关于 f 的后验不确定性是不同来源，不能合并成一个方差。
Particle MCMC GPSSM 形式以轨迹、动力学和参数的联合后验为目标。其他方法会采用不同的 Gaussian、Variational、Sampling 或 Inducing Approximation。
明确选择滤波、平滑或预测
Filtering 在线估计 p(x_t | y_1:t)；Smoothing 则利用未来观测，通过 p(x_1:T | y_1:T) 修正过去状态。Forecasting 会把推断后的状态与不确定转移传播到已观测数据之外。这三者回答不同的后验问题，状态估计和不确定性也可能不同。
近似矩匹配较高效，却可能压掉多峰结构；粒子方法能表示非高斯路径，但可能退化；变分方法可通过诱导变量扩展规模，又依赖后验族与优化。每项结果都应明确后验目标和近似方法。
分别验证动力学、状态推断和不确定性
应分别评估单步预测、多步 Rollout、留出对数密度、存在参考状态时的恢复误差、区间覆盖与不同运行工况下的校准。能准确预测下一样本的模型，仍可能在 Open-loop Rollout 中快速漂移。应在同一信息契约下比较线性状态空间、确定性动力学、递推模型与稀疏 GP 基线。
持续监控外推距离、过程与观测噪声估计、诱导覆盖、数值条件和动力学变化。如果真实系统发生改变，依赖历史转移的高置信后验可能直接变错，而不会自动扩大区间。
主要特点
- 把潜在状态与 GP 随机动力学结合起来
- 区分过程、观测与函数不确定性
- 支持非线性滤波、平滑和预测
- 需要近似轨迹与函数联合后验
- 能够纳入控制输入和不规则观测
- 长时 Rollout 可能累积近似误差
常见用途
- 从噪声传感器学习非线性物理动力学
- 在量化不确定性的同时跟踪潜在系统状态
- 使用数据高效转移模型进行模型预测控制
- 处理不规则时间序列的插值与预测
- 在轨迹有限时进行科学系统辨识
示例
Loading code...常见问题
GPSSM 与普通状态空间模型有什么区别？
普通状态空间模型可以使用已知或参数化转移；GPSSM 为未知转移或观测函数设置非参数 GP 先验，并与潜在状态联合推断该函数。
GPSSM 等于 Mamba 等神经序列 SSM 吗？
不等于。GPSSM 是带潜在轨迹和 GP 动力学先验的概率系统辨识模型；Mamba 类 SSM 是为表示学习和高效 Token 处理而优化的参数化神经序列层。
GPSSM 中 Filtering 与 Smoothing 有什么区别？
Filtering 只利用当前时刻以前的观测估计当前状态；Smoothing 会用完整观测序列重新估计过去状态。后者可以修正早期判断，但若无延迟就不能作为在线过程。
GPSSM 为什么计算困难？
潜在轨迹决定未知 GP 转移函数在哪些位置被求值，而学到的转移又改变轨迹分布。对函数、状态、噪声和超参数的耦合后验积分通常没有闭式解。
应该如何评测 GPSSM 的 Rollout？
分别测量单步与长时预测的对数密度、任务误差、校准、区间覆盖，以及存在参考时的状态恢复与工况切片；再与线性、确定性、递推和稀疏 GP 基线比较 Open-loop 漂移和计算成本。