贝叶斯结构时间序列模型.pdf

贝贝叶叶斯斯结结构构时时间间序序列列模模型型的的原原理理与与应应用用解解析析

一一、、贝贝叶叶斯斯结结构构时时间间序序列列模模型型概概述述

贝叶斯结构时间序列模型（BayesianStructuralTimeSeries，BSTS）是一种融合了态空间模型和贝叶斯统计推断的先进时

间序列分析方法。该方法通过将时间序列分解为可解释的潜在成分（如趋势、季节性和回归效应），并结合贝叶斯框架下的参

数学习机制，实现对复杂时间序列的建模、预测和因果推断。相较于传统时间序列模型，BSTS的核心优势在于其能够灵活处

理非平稳性、缺失数据、外部协变量融合及不确定性量化等问题。

二二、、模模型型的的核核心心构构成成要要素素

1.结结构构化化时时间间序序列列分分解解

BSTS的基础是将观测序列$y_t$分解为多个潜在成分的线性组合：[y_t=\mu_t+\tau_t+\gamma_t+\epsilon_t]其中：趋势

项$\mu_t$：描述序列的长期变化方向，常用局部线性趋势模型表示：[\mu_{t+1}=\mu_t+\delta_t+\eta_t][\delta_{t+1}=

\delta_t+\zeta_t]式中$\eta_t\sim(0,\sigma_\eta^2)$和$\zeta_t\sim(0,\sigma_\zeta^2)$分别表示趋势水平和斜率的随机

扰动。

季节项$\gamma_t$：刻画周期性波动，可采用虚拟变量形式或傅里叶级数展开。对于周期为$S$的季节效应：[\gamma_t=

\sum_{j=1}^k[\alpha_j\sin(2\pijt/S)+\beta_j\cos(2\pijt/S)]]其中$k$决定季节模式的复杂度，通过贝叶斯收缩先验可自动选择

有效谐波分量。

回归项$\tau_t$：整合外部协变量$X_t$的影响：[\tau_t=X_t^T\beta]贝叶斯方法支持稀疏回归系数的估计，通过Spike-and-

Slab等先验实现变量选择。

误差项$\epsilon_t$：服从零均值正态分布$(0,\sigma_\epsilon^2)$，表征观测噪声。

2.态态空空间间表表示示

将各成分转化为态空间形式是BSTS建模的关键步骤。定义态向量$\theta_t=[\mu_t,\delta_t,\gamma_t^{(1)},...,

\gamma_t^{(k)},\beta]^T$，则系统可表示为：[y_t=Z_t\theta_t+\epsilon_t][\theta_{t+1}=T_t\theta_t+R_t\eta_t]其中：

$Z_t$为观测矩阵，从态向量中提取对应成分$T_t$是态转移矩阵，描述各成分的动态演化$R_t$控制过程噪声的传播路

径

三三、、贝贝叶叶斯斯推推断断的的实实现现机机制制

1.先先验验分分布布设设定定

贝叶斯框架要求为所有未知参数指定先验分布：方差参数：对过程噪声$\sigma_\eta^2,\sigma_\zeta^2,\sigma_\epsilon^2$通

常采用逆Gamma分布作为共轭先验回归系数：使用混合先验（如Spike-and-Slab）实现稀疏性，或采用Horseshoe先验处理

高维协变量初始态：$\theta_0\sim(m_0,C_0)$，通过扩散先验反映初始不确定性

2.后后验验近近似似方方法法

由于模型结构的复杂性，后验分布通常难以解析求解，需借助马尔可夫链蒙特卡洛（MCMC）方法：ForwardFiltering

BackwardSampling(FFBS)：针对线性高斯态空间模型，通过卡尔曼滤波前向递推，再逆向采样态轨迹Gibbs采样：交

替更新参数块和态变量，利用条件共轭性提升效率HamiltonianMonteCarlo(HMC)：处理非共轭先验时，通过梯度信息加

速参数空间探索

3.预预测测与与不不确确定定性性传传播播

后验预测分布通过以下步骤生成：1.从后验分布中抽取参数样本${\sigma^{(i)},\beta^{(i)}}$2.对每个样本，运行卡尔曼滤波预

测未来态$\theta_{t+h}^{(i)}$3.合成预测值$y_{t+h}^{(i)}=Z_{t+h}\theta_{t+h}^{(i)}+\epsilon_{t+h}^{(i)}$4.汇总所有样本得到

预测区间的分位数估计

四四、、