NNPF：用于时间序列数据的神经网络粒子滤波器

本文提出了一种新颖的粒子滤波器，用于将结构时间序列模型拟合到波动性时间序列。本文不假设观测方程的参数分布，而是采用神经网络以非参数方式估计观测方程的密度。该密度用于粒子滤波器以拟合状态空间模型。通过模拟表明，在观测方程具有重尾分布的波动性时间序列的情况下，该方法优于卡尔曼滤波器。本文通过对道路传感器数据的实际应用来说明该方法。